人工神经网络是在计算机上执行以生物启发的模拟，以执行某些特定任务，例如聚类，分类，模式识别等。一般来说，人工神经网络是配置为执行特定任务的人工神经元的生物学启发网络。典型的神经网络包含大量人工神经元，称为神经元，它们排列成一系列层。在人工神经网络的情况下，轴突的输出类似于输出单元。因此，使用基本生物神经元的工作对ANN进行建模。
人工神经网络如何工作？
人工神经网络可以视为加权有向图，其中人工神经元是节点，权重的有向边是神经元输出和神经元输入之间的连接。
人工神经网络以图形形式和矢量形式从外部世界接收输入。这些输入在数学上用符号x(n)表示n个输入。
每个输入乘以其相应的权重。权重是神经网络用来解决问题的信息。通常，权重代表神经网络内部神经元之间的互连强度。
加权的输入全部在计算单元（人工神经元）中汇总。如果加权总和为零，则添加偏置以使输出不为零或扩大系统响应。偏差的权重和输入始终等于“ 1”。
该总和对应于从0到无穷大的任何数值。为了限制响应以达到期望值，设置了阈值。为此，总和通过激活函数传递。
激活功能是用于获得所需输出的传递函数的设置。有线性和非线性激活函数。
一些常用的激活函数是-二值，S形（线性）和tan双曲S形函数（非线性）。
二进制-输出只有两个值0和1。为此，设置了阈值。如果净加权输入大于1，则假定输出为1，否则为零。
乙状双曲线—此函数具有“ S”形曲线。在此，tan双曲函数用于估计净输入的输出。该函数定义为— f(x)=(1/1 + exp(-�x))，其中�
—陡度参数。
神经网络的四种不同用途
神经网络的模式识别
模式识别是对机器如何观察环境，学会从背景中区分出感兴趣的模式以及对模式的类别做出合理合理的决定的研究。
模式的一些示例是-指纹图像，手写文字，人脸或语音信号。
给定一种输入模式，其识别涉及以下任务-
· 有监督的分类-给定的输入模式被标识为预定义类的成员。
· 无监督分类-模式已分配到迄今未知的类别。
因此，这里的识别问题实质上是分类或分类任务。
模式识别系统的设计通常涉及以下三个方面：
· 数据采集和预处理
· 数据表示
· 做决定
用于模式识别的方法
· 模板匹配
· 统计
· 句法匹配
· 人工神经网络
遵循用于模式识别的神经网络架构-
· 多层感知器
· Kohonen SOM（自我组织图）
· 径向基函数网络（RBF）
机器学习的神经网络
· 多层感知器（监督分类）
· 反向传播网络（监督分类）
· Hopfield网络（用于模式关联）
· 深度神经网络（无监督聚类）
深度学习神经网络
根据神经网络，架构用于深度学习-
· 前馈神经网络
· 递归神经网络
· 多层感知器（MLP）
· 卷积神经网络
上述就是关于人工神经网络的应用相关介绍，想了解更多关于人工神经网络的信息，请继续关注教育。
