人工神经网络的特点是什么？ 人工神经网络的特点和优势主要体现在三个方面：
首先，它具有自学功能。例如，在实现图像识别时，只有将许多不同的图像模型和相应的识别结果输入人工神经网络，网络才会通过自学功能慢慢学会识别类似的图像。自学功能对预测具有特别重要的意义。预计未来的人工神经网络计算机将为人类提供经济预测、市场预测和效益预测，其应用前景广阔。
第二，具有联想存储功能。这种联想可以通过人工神经网络的反馈网络来实现。
第三，具有高速搜索和优化解决方案的能力。通常需要大量的计算来找到一个复杂问题的优化解决方案。利用反馈人工神经网络为某一问题设计，充分发挥计算机的高速计算能力，可以快速找到优化解决方案。
人工神经网络的突出优势：
(1)能完全接近任何复杂的非线性关系；
(2)所有定量或定性信息等势分布存储在网络中的各种神经元，具有很强的鲁棒性和容错性；
(3)采用并行分布处理方法，使大量快速操作成为可能；
(4)能够学习和适应不知道或不确定的系统；
(5)能同时处理定量定性知识。
希望我的回答能对你有所帮助。
神经网络 四个基本属性是什么？ 神经网络 四个基本属性：
(1)非线性:非线性是自然界的共同特征。脑智能是一种非线性现象。人工神经元处于两种不同的激活或抑制状态，在数学上是非线性的。由阈值神经元组成的网络性能更好，可以提高网络的容错性和存储容量。
（2）无限制性：神经网络通常由多个连接广泛的神经元组成。一个系统的整体行为不仅取决于单个神经元的特性，而且还取决于单元之间的相互作用和互连。通过单元之间的大量连接来模拟大脑的非限制性。联想记忆是一个典型的无限制的例子。
（3）非常定性：人工神经网络具有自适应、自组织和自学的能力。神经网络处理的信息不仅会改变，而且非线性动态系统本身也会改变。迭代过程通常用于描述动态系统的演变。
(4)非凸性:在一定条件下，系统的演变方向取决于特定的状态函数。例如，能量函数的极值对应于系统的相对稳定状态。非凸性是指函数具有多个极值，系统具有多个稳定平衡状态，导致系统演变的多样性。
扩展资料：
神经网络的特点和优点：
人工神经网络的特点和优势主要体现在三个方面：
首先，它具有自学功能。例如，在实现图像识别时，只有将许多不同的图像模型和相应的识别结果输入人工神经网络，网络才会通过自学功能慢慢学会识别类似的图像。自学功能对预测具有特别重要的意义。预计未来的人工神经网络计算机将为人类提供经济预测、市场预测和效益预测，其应用前景广阔。
第二，具有联想存储功能。这种联想可以通过人工神经网络的反馈网络来实现。
第三，具有高速搜索和优化解决方案的能力。通常需要大量的计算来找到一个复杂问题的优化解决方案。利用反馈人工神经网络为某一问题设计，充分发挥计算机的高速计算能力，可以快速找到优化解决方案。
参考资料：百度百科-人工神经网络。
AI爱发猫
人工神经网络在深度学习中是什么？ 人工神经网络（Artificial Neural Network，即ANN ）它从信息处理的角度抽象人脑神经元网络，是20世纪80年代以来人工智能领域兴起的研究热点。它的本质是由大量节点（或神经元）之间的连接组成的运算模型，在模型识别、智能机器人、自动控制、生物学、医学、经济等领域，许多现代计算机难以解决的实际问题得到了成功解决，具有良好的智能特性。
人工神经网络是一种由大量处理单元互联网组成的非线性和自适应信息处理系统，在现代 根据神经科学的研究成果，试图通过模拟大脑神经网络和记忆信息来处理信息。人工神经网络有四个基本特征：
（1）非线性– 非线性关系是自然界的一个共同特征。人工神经元处于激活或抑制两种不同状态，在数学上表现为非线性。
人工神经网络。
关系。由阈值神经元组成的网络性能更好，可以提高容错性和存储容量。
(2)非局限性– 一个 神经网络通常由多个神经元广泛连接而成。系统的整体行为不仅取决于单个神经元的特征，而且可能主要取决于单元之间的相互作用和连接。模拟大脑的非局限性。 记忆是非局限性的典型例子。
(3)非常定性 –人工神经网络具有自适应、自组织和自学能力。神经网络不仅可以处理各种信息，而且非线性动力系统本身也在处理信息时不断变化。动力系统的演变过程通常用迭代过程来描述。
（4）非凸性–在一定条件下，系统的演变方向将取决于特定的状态函数。 能量函数的极值与系统相对稳定的状态相对应。非凸性是指该函数具有多个极值，因此该系统具有多个稳定的平衡状态，这将导致系统进化的多样性。
在人工神经网络中，神经元处理单元可以表示不同的对象，如特征、字母、概念或一些有意义的抽象模式。网络中处理单元的类型分为输入单元、输出单元和隐藏单元三类。输入单元接受外部 世界信号和数据；输出单元输出系统处理结果；隐藏单元在输入和输出单元之间。
人工神经网络。
由系统外部观察的单元。神经元间的连接权值反映了单元间的连接强度，信息的表示和处理体现在网络处理单元的连接关系中。
结论：人工神经网络是一种非程序化的 适应性、大脑风格的信息处理 ，其本质是通过网络的转换和动态行为获得并行分布式信息处理功能，并在不同程度和层次上模仿人脑神经系统的信息处理功能。
人工神经网络的特点是什么？ 人工神经网络的突出优势。
(1)能完全接近任何复杂的非线性关系；
(2)所有定量或定性信息等势分布存储在网络中的各种神经元，具有很强的鲁棒性和容错性；
(3)采用并行分布处理方法，使大量快速操作成为可能；
(4)能够学习和适应不知道或不确定的系统；
(5)能同时处理定量定性知识。
人工神经网络的类型是什么？ 人工神经网络模型主要考虑网络连接的拓扑结构、神经元特征、学习规则等。目前，反传网络、传感器、自组织映射、Hopfield神经网络模型可分为：
(1)前网络 网络中的每个神经元都接受前一级的输入，并输出到下一级。网络中没有反馈，可以用无环路图表示。该网络实现了从输入空间到输出空间的信号转换，其信息处理能力来自于简单的非线性函数的多重组合。网络结构简单，易于实现。反向传输网络是一种典型的前向网络。
(2)反馈网络 网络中的神经元之间有反馈，可以用无向的完整图表来表示。这种神经网络的信息处理是状态的变化，可以用动力学系统理论来处理。系统的稳定性与联想记忆功能密切相关。Hopfield网络和波耳兹曼机都属于这种类型。
学习是神经网络研究的网络研究的重要组成部分。根据环境的变化，调整权改善系统行为。由Hebb提出的Hebb学习规则为神经网络的学习算法奠定了基础。Hebb该规则认为，学习过程最终发生在神经元之间的突触部位，突触的连接强度随突触前后神经元的活动而变化。在此基础上，网络模型的需要，人们提出了各种学习规则和算法。有效的学习算法使神经网络能够通过调整连接值来构建客观世界的内在表达，并在网络连接中形成独特的信息处理方法。
神经网络的学习方法可分为监督学习和非监督学习。在监督学习中，将培训样本的数据添加到网络输入端，并将相应的期望输出与网络输出进行比较，以获得误差信号，以控制权重连接强度的调整，并在多次培训后收敛到确定的权重值。当样本发生变化时，学习后可以修改适应新环境的权重。使用监督学习的神经网络模型包括反传网络、传感器等。非监督学习时，不提前给出标准样本，直接将网络置于环境中，学习阶段与工作阶段相结合。此时，学习规律的变化服从连接权值的演变方程。非监督学习最简单的例子是Hebb学习规则。竞争学习规则是一个更复杂的非监督学习的例子，它根据已建立的聚类调整权重。自组织映射和适应谐振理论网络是与竞争学习相关的典型模型。
研究神经网络的非线性动力学性质，主要采用动力系统理论、非线性规划理论和统计理论，分析神经网络的演变过程和吸引力的性质，探索神经网络的协同行为和集体计算功能，了解神经信息处理机制。混沌理论的概念和方法将发挥作用，以探讨神经网络在完整性和模糊性方面处理信息的可能性。混沌是一个很难准确定义的数学概念。一般来说，混沌是指由确定性方程描述的动力学系统中的不确定性行为，或确定性的随机性。确定性是由内部原因而不是外部噪声或干扰引起的，而随机性是指其不规则、不可预测的行为，只能用统计方法来描述。混沌动力学系统的主要特点是其状态对初始条件的敏感依赖，反映了其内在随机性。混沌理论是指描述混沌行为的非线性动力学系统的基本理论、概念和方法。它将动力学系统的复杂行为理解为物质、能量和信息交换过程中的内部结构行为，而不是外部和偶然行为。混沌状态是一种定态。混沌动力学系统的定态包括：静态、稳定、周期、准同期和混沌解。混沌轨道是整体稳定与局部不稳定相结合的结果，称为奇异吸引子。
神经网络的特点 无论什么类型的人工神经网络，它们的共同特点是大规模并行处理、分布式存储、弹性拓扑、高冗余和非线性操作。因而具有很髙的运算速度，很强的联想能力，很强的适应性，很强的容错能力和自组织能力。这些特点和能力构成了人工神经网络模拟智能活动的技术基础，并在广泛领域得到了重要应用。例如，在通信领域，人工神经网络可用于数据压缩、图像处理、矢量编码、错误控制（纠错和检错编码）、自适应信号处理、自适应平衡、信号检测、模式识别ATM流量控制、路由选择、通信网络优化、智能网络管理等。
人工神经网络的研究已经与模糊逻辑的研究相结合，并在此基础上补充了人工智能的研究，成为新一代智能系统的主要方向。这是因为人工神经网络主要模拟人类右脑的智能行为主要模拟人类左脑的智能机理，人工神经网络与人工智能有机结合就能更好地模拟人类的各种智能活动。新一代智能系统将能更有力地帮助人类扩展他的智力与思维的功能，成为人类认识和改造世界的聪明的工具。因此，它将继续成为当代科学研究重要的前沿。
BP人工神经网络 人工神经网络（artificialneuralnetwork，ANN）指由大量与自然神经系统相类似的神经元联结而成的网络，是用工程技术手段模拟生物网络结构特征和功能特征的一类人工系统。神经网络不但具有处理数值数据的一般计算能力，而且还具有处理知识的思维、学习、记忆能力，它采用类似于“黑箱”的方法，通过学习和记忆，找出输入、输出变量之间的非线性关系（映射），在执行问题和求解时，将所获取的数据输入到已经训练好的网络，依据网络学到的知识进行网络推理，得出合理的答案与结果。
岩土工程中的许多问题是非线性问题，变量之间的关系十分复杂，很难用确切的数学、力学模型来描述。工程现场实测数据的代表性与测点的位置、范围和手段有关，有时很难满足传统统计方法所要求的统计条件和规律，加之岩土工程信息的复杂性和不确定性，因而运用神经网络方法实现岩土工程问题的求解是合适的。
BP神经网络模型是误差反向传播（BackPagation）网络模型的简称。它由输入层、隐含层和输出层组成。网络的学习过程就是对网络各层节点间连接权逐步修改的过程，这一过程由两部分组成：正向传播和反向传播。正向传播是输入模式从输入层经隐含层处理传向输出层；反向传播是均方误差信息从输出层向输入层传播，将误差信号沿原来的连接通路返回，通过修改各层神经元的权值，使得误差信号最小。
BP神经网络模型在建立及应用过程中，主要存在的不足和建议有以下四个方面：
（1）对于神经网络，数据愈多，网络的训练效果愈佳，也更能反映实际。但在实际操作中，由于条件的限制很难选取大量的样本值进行训练，样本数量偏少。
（2）BP网络模型其计算速度较慢、无法表达预测量与其相关参数之间亲疏关系。
（3）以定量数据为基础建立模型，若能收集到充分资料，以定性指标（如基坑降水方式、基坑支护模式、施工工况等）和一些易获取的定量指标作为输入层，以评价等级作为输出层，这样建立的BP网络模型将更准确全面。
（4）BP人工神经网络系统具有非线性、智能的特点。较好地考虑了定性描述和定量计算、精确逻辑分析和非确定性推理等方面，但由于样本不同，影响要素的权重不同，以及在根据先验知识和前人的经验总结对定性参数进行量化处理，必然会影响评价的客观性和准确性。因此，在实际评价中只有根据不同的基坑施工工况、不同的周边环境条件，应不同用户的需求，选择不同的分析指标，才能满足复杂工况条件下地质环境评价的要求，取得较好的应用效果。
神经网络算法的人工神经网络 人工神经网络（Artificial Neural Networks，ANN）系统是 20 世纪 40 年代后出现的。它是由众多的神经元可调的连接权值连接而成，具有大规模并行处理、分布式信 息存储、良好的自组织自学习能力等特点。BP（Back Propagation）算法又称为误差 反向传播算法，是人工神经网络中的一种监督式的学习算法。BP 神经网络算法在理 论上可以逼近任意函数，基本的结构由非线性变化单元组成，具有很强的非线性映射能力。而且网络的中间层数、各层的处理单元数及网络的学习系数等参数可根据具体情况设定，灵活性很大，在优化、信号处理与模式识别、智能控制、故障诊断等许 多领域都有着广泛的应用前景。 人工神经元的研究起源于脑神经元学说。19世纪末，在生物、生理学领域，Waldeger等人创建了神经元学说。人们认识到复杂的神经系统是由数目繁多的神经元组合而成。大脑皮层包括有100亿个以上的神经元，每立方毫米约有数万个，它们互相联结形成神经网络，通过感觉器官和神经接受来自身体内外的各种信息，传递至中枢神经系统内，经过对信息的分析和综合，再通过运动神经发出控制信息，以此来实现机体与内外环境的联系，协调全身的各种机能活动。
神经元也和其他类型的细胞一样，包括有细胞膜、细胞质和细胞核。但是神经细胞的形态比较特殊，具有许多突起，因此又分为细胞体、轴突和树突三部分。细胞体内有细胞核，突起的作用是传递信息。树突是作为引入输入信号的突起，而轴突是作为输出端的突起，它只有一个。
树突是细胞体的延伸部分，它由细胞体发出后逐渐变细，全长各部位都可与其他神经元的轴突末梢相互联系，形成所谓“突触”。在突触处两神经元并未连通，它只是发生信息传递功能的结合部，联系界面之间间隙约为（15～50)×10米。突触可分为兴奋性与抑制性两种类型，它相应于神经元之间耦合的极性。每个神经元的突触数目正常，最高可达10个。各神经元之间的连接强度和极性有所不同，并且都可调整、基于这一特性，人脑具有存储信息的功能。利用大量神经元相互联接组成人工神经网络可显示出人的大脑的某些特征。
人工神经网络是由大量的简单基本元件——神经元相互联接而成的自适应非线性动态系统。每个神经元的结构和功能比较简单，但大量神经元组合产生的系统行为却非常复杂。
人工神经网络反映了人脑功能的若干基本特性，但并非生物系统的逼真描述，只是某种模仿、简化和抽象。
与数字计算机比较，人工神经网络在构成原理和功能特点等方面更加接近人脑，它不是按给定的程序一步一步地执行运算，而是能够自身适应环境、总结规律、完成某种运算、识别或过程控制。
人工神经网络首先要以一定的学习准则进行学习，然后才能工作。现以人工神经网络对于写“A”、“B”两个字母的识别为例进行说明，规定当“A”输入网络时，应该输出“1”，而当输入为“B”时，输出为“0”。
所以网络学习的准则应该是：如果网络作出错误的的判决，则通过网络的学习，应使得网络减少下次犯同样错误的可能性。首先，给网络的各连接权值赋予(0，1)区间内的随机值，将“A”所对应的图象模式输入给网络，网络将输入模式加权求和、与门限比较、再进行非线性运算，得到网络的输出。在此情况下，网络输出为“1”和“0”的概率各为50%，也就是说是完全随机的。这时如果输出为“1”(结果正确)，则使连接权值增大，以便使网络再次遇到“A”模式输入时，仍然能作出正确的判断。
如果输出为“0”(即结果错误)，则把网络连接权值朝着减小综合输入加权值的方向调整，其目的在于使网络下次再遇到“A”模式输入时，减小犯同样错误的可能性。如此操作调整，当给网络轮番输入若干个手写字母“A”、“B”后，经过网络按以上学习方法进行若干次学习后，网络判断的正确率将大大提高。这说明网络对这两个模式的学习已经获得了成功，它已将这两个模式分布地记忆在网络的各个连接权值上。当网络再次遇到其中任何一个模式时，能够作出迅速、准确的判断和识别。一般说来，网络中所含的神经元个数越多，则它能记忆、识别的模式也就越多。 （1）人类大脑有很强的自适应与自组织特性，后天的学习与训练可以开发许多各具特色的活动功能。如盲人的听觉和触觉非常灵敏；聋哑人善于运用手势；训练有素的运动员可以表现出非凡的运动技巧等等。
普通计算机的功能取决于程序中给出的知识和能力。显然，对于智能活动要通过总结编制程序将十分困难。
人工神经网络也具有初步的自适应与自组织能力。在学习或训练过程中改变突触权重值，以适应周围环境的要求。同一网络因学习方式及内容不同可具有不同的功能。人工神经网络是一个具有学习能力的系统，可以发展知识，以致超过设计者原有的知识水平。通常，它的学习训练方式可分为两种，一种是有监督或称有导师的学习，这时利用给定的样本标准进行分类或模仿；另一种是无监督学习或称无为导师学习，这时，只规定学习方式或某些规则，则具体的学习内容随系统所处环境 （即输入信号情况）而异，系统可以自动发现环境特征和规律性，具有更近似人脑的功能。
（2）泛化能力。
泛化能力指对没有训练过的样本，有很好的预测能力和控制能力。特别是，当存在一些有噪声的样本，网络具备很好的预测能力。
(3)非线性映射能力。
当对系统对于设计人员来说，很透彻或者很清楚时，则一般利用数值分析，偏微分方程等数学工具建立精确的数学模型，但当对系统很复杂，或者系统未知，系统信息量很少时，建立精确的数学模型很困难时，神经网络的非线性映射能力则表现出优势，因为它不需要对系统进行透彻的了解，但是同时能达到输入与输出的映射关系，这就大大简化设计的难度。
(4)高度并行性。
并行性具有一定的争议性。承认具有并行性理由：神经网络是根据人的大脑而抽象出来的数学模型，由于人可以同时做一些事，所以从功能的模拟角度上看，神经网络也应具备很强的并行性。
多少年以来，人们从医学、生物学、生理学、哲学、信息学、计算机科学、认知学、组织协同学等各个角度企图认识并解答上述问题。在寻找上述问题答案的研究过程中，这些年来逐渐形成了一个新兴的多学科交叉技术领域，称之为“神经网络”。神经网络的研究涉及众多学科领域，这些领域互相结合、相互渗透并相互推动。不同领域的科学家又从各自学科的兴趣与特色出发，提出不同的问题，从不同的角度进行研究。
下面将人工神经网络与通用的计算机工作特点来对比一下：
若从速度的角度出发，人脑神经元之间传递信息的速度要远低于计算机，前者为毫秒量级，而后者的频率往往可达几百兆赫。但是，由于人脑是一个大规模并行与串行组合处理系统，因而，在许多问题上可以作出快速判断、决策和处理，其速度则远高于串行结构的普通计算机。人工神经网络的基本结构模仿人脑，具有并行处理特征，可以大大提高工作速度。
人脑存贮信息的特点为利用突触效能的变化来调整存贮内容，也即信息存贮在神经元之间连接强度的分布上，存贮区与计算机区合为一体。虽然人脑每日有大量神经细胞死亡 （平均每小时约一千个），但不影响大脑的正常思维活动。
普通计算机是具有相互独立的存贮器和运算器，知识存贮与数据运算互不相关，只有通过人编出的程序使之沟通，这种沟通不能超越程序编制者的预想。元器件的局部损坏及程序中的微小错误都可能引起严重的失常。 心理学家和认知科学家研究神经网络的目的在于探索人脑加工、储存和搜索信息的机制，弄清人脑功能的机理，建立人类认知过程的微结构理论。
生物学、医学、脑科学专家试图通过神经网络的研究推动脑科学向定量、精确和理论化体系发展，同时也寄希望于临床医学的新突破；信息处理和计算机科学家研究这一问题的目的在于寻求新的途径以解决不能解决或解决起来有极大困难的大量问题，构造更加逼近人脑功能的新一代计算机。
人工神经网络早期的研究工作应追溯至上世纪40年代。下面以时间顺序，以著名的人物或某一方面突出的研究成果为线索，简要介绍人工神经网络的发展历史。
1943年，心理学家W·Mcculloch和数理逻辑学家W·Pitts在分析、总结神经元基本特性的基础上首先提出神经元的数学模型。此模型沿用至今，并且直接影响着这一领域研究的进展。因而，他们两人可称为人工神经网络研究的先驱。
1945年冯·诺依曼领导的设计小组试制成功存储程序式电子计算机，标志着电子计算机时代的开始。1948年，他在研究工作中比较了人脑结构与存储程序式计算机的根本区别，提出了以简单神经元构成的再生自动机网络结构。但是，由于指令存储式计算机技术的发展非常迅速，迫使他放弃了神经网络研究的新途径，继续投身于指令存储式计算机技术的研究，并在此领域作出了巨大贡献。虽然，冯·诺依曼的名字是与普通计算机联系在一起的，但他也是人工神经网络研究的先驱之一。
50年代末，F·Rosenblatt设计制作了“感知机”，它是一种多层的神经网络。这项工作首次把人工神经网络的研究从理论探讨付诸工程实践。当时，世界上许多实验室仿效制作感知机，分别应用于文字识别、声音识别、声纳信号识别以及学习记忆问题的研究。然而，这次人工神经网络的研究高潮未能持续很久，许多人陆续放弃了这方面的研究工作，这是因为当时数字计算机的发展处于全盛时期，许多人误以为数字计算机可以解决人工智能、模式识别、专家系统等方面的一切问题，使感知机的工作得不到重视；其次，当时的电子技术工艺水平比较落后，主要的元件是电子管或晶体管，利用它们制作的神经网络体积庞大，价格昂贵，要制作在规模上与真实的神经网络相似是完全不可能的；另外，在1968年一本名为《感知机》的著作中指出线性感知机功能是有限的，它不能解决如异感这样的基本问题，而且多层网络还不能找到有效的计算方法，这些论点促使大批研究人员对于人工神经网络的前景失去信心。60年代末期，人工神经网络的研究进入了低潮。
另外，在60年代初期，Widrow提出了自适应线性元件网络，这是一种连续取值的线性加权求和阈值网络。后来，在此基础上发展了非线性多层自适应网络。当时，这些工作虽未标出神经网络的名称，而实际上就是一种人工神经网络模型。
随着人们对感知机兴趣的衰退，神经网络的研究沉寂了相当长的时间。80年代初期，模拟与数字混合的超大规模集成电路制作技术提高到新的水平，完全付诸实用化，此外，数字计算机的发展在若干应用领域遇到困难。这一背景预示，向人工神经网络寻求出路的时机已经成熟。美国的物理学家Hopfield于1982年和1984年在美国科学院院刊上发表了两篇关于人工神经网络研究的论文，引起了巨大的反响。人们重新认识到神经网络的威力以及付诸应用的现实性。随即，一大批学者和研究人员围绕着 Hopfield提出的方法展开了进一步的工作，形成了80年代中期以来人工神经网络的研究热潮。
1985年，Ackley、Hinton和Sejnowski将模拟退火算法应用到神经网络训练中，提出了Boltzmann机，该算法具有逃离极值的优点，但是训练时间需要很长。
1986年，Rumelhart、Hinton和Williams提出了多层前馈神经网络的学习算法，即BP算法。它从证明的角度推导算法的正确性，是学习算法有理论依据。从学习算法角度上看，是一个很大的进步。
1988年，Broomhead和Lowe第一次提出了径向基网络：RBF网络。
总体来说，神经网络经历了从高潮到低谷，再到高潮的阶段，充满曲折的过程。