神经网络的应用

在研究ANN被广泛使用的领域之前，我们需要了解为什么ANN会成为首选的应用选择。

为什么选择人工神经网络？

我们需要通过人类的例子来理解上述问题的答案。在孩提时代，我们依靠长辈（包括父母或老师）的帮助学习事物。然后，通过自学或实践，我们终身不断学习。科学家和研究人员也正在使机器变得像人类一样智能，而ANN由于以下原因在其中发挥着非常重要的作用：

以下是ANN正在使用的一些领域。这表明ANN在发展和应用中具有跨学科的方法。

语音在人与人之间的互动中占据着突出地位。因此，人们自然希望计算机具有语音接口。在当今时代，为了与机器进行通信，人类仍然需要复杂的语言，这些语言难以学习和使用。为了缓解这种沟通障碍，一个简单的解决方案可能是用机器能够理解的口语进行沟通。

该领域已经取得了长足的进步，但是，此类系统仍然面临着词汇量或语法有限的问题，以及在不同条件下为不同说话者重新训练系统的问题。ANN在这一领域发挥着重要作用。以下ANN已被用于语音识别：

最适合此应用的网络是Kohonen自组织特征映射，其输入是语音波形的短片段。它将映射相同类型的音素作为输出数组，称为特征提取技术。在提取特征后，借助一些声学模型作为后端处理，它将识别语音。

这是一个有趣的问题，属于模式识别的一般领域。许多神经网络被开发用于自动识别手写字符，无论是字母还是数字。以下是一些已被用于字符识别的ANN：

尽管反向传播神经网络具有多个隐藏层，但从一层到下一层的连接模式是局部的。类似地，Neocognitron也具有多个隐藏层，并且其训练是针对此类应用逐层进行的。

签名是在法律交易中授权和认证个人的最有用方法之一。签名验证技术是一种非视觉技术。

对于此应用，首先要提取代表签名的特征或几何特征集。使用这些特征集，我们必须使用高效的神经网络算法训练神经网络。在验证阶段，这个训练好的神经网络将对签名进行分类，判断其是真实的还是伪造的。

它是识别给定人脸的生物识别方法之一。由于“非人脸”图像的特征，这是一项典型的任务。但是，如果神经网络经过良好训练，则可以将其分为两类：包含人脸的图像和不包含人脸的图像。

首先，必须对所有输入图像进行预处理。然后，必须降低该图像的维度。最后，必须使用神经网络训练算法对其进行分类。以下神经网络用于使用预处理图像进行训练：

打印页面