浅谈人工神经网络学习浅谈人工神经网络学习1、简介作为动态系统辨识、建模和控制的一种新的、令人感兴趣的工具，人工神经网络（ArtificialNeuralNetworks,ANN）提供了一种普遍而且实用的方法从样例中学习值为实数、离散值或向量的函数。像反向传播（BACKPROPAGATION）这样的算法，使用梯度下降下来调节网络参数以最佳拟合由输入—输出对组成的训练集合。ANN学习对于训练数据中的错误健壮性很好，且已被成功的应用到很多领域，例如视觉场景分析、语音识别以及机器人控制等。神经网络学习方法对于逼近实数值、离散值或向量的目标函数提供的一种健壮性很强的方法。对于某些类型的问题，如学习解释复杂的现实世界中的传感器数据，人工神经网络是目前知道的最有效的学习方法。例如，反向传播算法已在很多问题中取得了惊人的成功，比如学习识别手写字符、学习识别口语、学习识别人脸等。人工神经网络学习发展简史：1.1人工神经网络学习发展简史：对人工神经网络的研究可以追溯到计算机科学的早期。McCulloch&Pitts(1943)提出了一个相当于感知器的神经元模型，20世纪60年代他们的大量工作探索了这个模型的很多变体。20世纪60年代早期Widrow&Hoff(1960)探索了感知器网络（他们称为“adelines”）和delta法则。Rosenblatt(1962)证明了感知器训练法则的收敛性。然而，直到20世纪60年代晚期，人们才开始清楚单层的感知器网络的表现能力很有限，而且找不到训练多层网络的有效方法。Minsky&Papert(1969)说明即使是像XOR这样简单的函数也不能用单层的感知器网络表示或学习，在整个20世纪70年代ANN的研究衰退了。在20世纪80年代中期ANN的研究经历了一次复兴，主要是因为训练多层网络的反向传播算法的发明（Rumelhart&McClelland1986;Parker1985）。这些思想可以被追溯到有关的早期研究（例如，Werbos1975）自从20世纪80年代，。反向传播算法就成为应用最广泛的学习方法，而且人们也积极探索出了很多其他的ANN方法。在同一时期，计算机变得不在贵重，这允许人们试验那些在20?纪60年代不可能被完全探索的计算密集型的算法。2、人工神经网络学习的国内外研究状况人工神经网络学习的国内外研究状况随着人工神经网络20世纪80年代在世界范围内的复苏，国内也逐步掀起了研究热潮。l989年10月和11月分别在北京和广州召开了神经网络及其应用讨论会和第一届全国信号处理—神经网络学术会议；l990年2月由国内八个学会(中国电子学会、人工智能学会、自动化学会、通信学会、物理学会、生物物理学会和心理学会)联合在北京召开“中国神经网络首届学术会议”。这次大会以“八学会联盟，探智能奥秘为主题收到了300多篇学术论文，开创了中国人工神经网络及神经计算机方面科学研究的新纪元。经过十几年的发展，中国学术界和工程界在人工神经网络的理论研究和应用方面取得了丰硕成果，学术论文、应用成果和研究人员逐年增加．在国际上，1987年，在美国加洲召开了第一届国际神经网络学会．此后每年召开两次国际联合神经网络大会(IJCNN)．不久，该学会创办了刊物JournalNeuralNetworks，另有十几种国际著名的神经网络学术刊物相继问世，至此，神浅谈人工神经网络学习经网络理论研究在国际学术领域获得了其应有的地位。作为人工神经网络学习的典型算法反向传播（BP）算法，近年来国内外学者对这一算法提出了一些改进。其中，由宋绍云、仲涛提出的BP人工神经网络网络的新算法【1】解决了传统算法的局部极小及收敛速度慢的问题。该算法是在BP神经网络现有的基础上提出的一种新的算法，该算法的基本原理是任选一组自由权，通过解线性方程组求得隐层权，将选定的自由权与求得的权合在一起，就得到所需的学习权值。而BP人工神经网络自适应学习算法的建立则解决了BP神经网络结构参数、学习速率与初始权值的选取问题，并对传统的BP算法进行了改进，提出了BP神经网络自适应学习算法【2】，又将其编制成计算机程序，使得输入节点、隐层节点和学习速率的选取全部动态实现，减少了人为因素的干预，改善了学习速率和网络的适应能力。计算结果表明：BP神经网络自适应学习算法较传统的方法优越，训练后的神经网络模型不仅能准确地拟合训练值，而且能较精确的预测未来趋势。基于遗传算法的人工神经网络学习【3】避免了BP算法易陷入局部极小值、训练速度慢、误差函数必须可导、受网络结构的限制等缺陷。人工神经网络的研究同样在实践中也有所发展。比如，基于人工神经网络的并行强化学习自适应路径规划【4】，可以很好的应用于机器人蔽障系统。BP算法在雷达目标识别中的应用以