人工神經網絡提供了一種普遍且實用的方法從樣例中學習值為實數、離散值或向量的函數反向傳播算法，使用梯度下降來調節網絡參數以最佳擬合由輸入-輸出對組成的訓練集合人工神經網絡對于訓練數據中的錯誤健壯性很好人工神經網絡已被成功應用到很多領域，例如視覺場景分析，語音識別，機器人控制神經網絡學習對于逼近實數值、離散值或向量值的目標函數提供了一種健壯性很強的方法對于某些類型的問題，如學習解釋復雜的現實世界中的傳感器數據，人工神經網絡是目前知道的最有效的學習方法反向傳搖成功例子，學習識別手寫字符，學習識別口語，學習識別人臉生物學動機ANN受到生物學的啟發，生物的學習系統是由相互連接的神經元組成的異常復雜的網絡。ANN由一系列簡單的單元相互密集連接構成的，其中每一個單元有一定數量的實值輸入，并產生單一的實數值輸出人腦的構成，大約有1011個神經元，平均每一個與其他104個相連神經元的活性通常被通向其他神經元的連接激活或抑制最快的神經元轉換時間比計算機慢很多，然而人腦能夠以驚人的速度做出復雜度驚人的決策很多人推測，生物神經系統的信息處理能力一定得益于對分布在大量神經元上的信息表示的高度并行處理
標簽：
機器學習
神經網絡
上傳時間：
2022-04-08
上傳用戶：trh505
