人工神经网络（ANN）的特性是什么？

人工神经网络是一种基于生物神经网络功能的系统。它是生物神经系统的模拟。人工神经网络的特点是结构多样，需要多种算法，但即便是一个复杂的系统，神经网络也易于理解。

这些网络是主管工具箱中特定信号处理科学之间的桥梁。这是一个高度交叉学科的领域，但这篇文章将把视角限制在工程学的角度。

输入/输出训练数据对于神经网络技术至关重要，因为它们提供了必要的记录来“寻找”最佳工作点。神经网络处理单元 (PE) 的非线性特性使系统能够适应并获得几乎任何所需的输入/输出映射，即一些人工神经网络是广泛的映射器。

输入数据被提供给神经网络，并在输出端设置相同的期望或目标响应（如果使用这种方法进行训练，则称为监督学习）。

误差是由捕获的响应和系统输出之间的差异组成的。此误差记录被反馈到系统中，并持续调整系统参数（学习规则）。此过程会重复进行，直到性能达到要求。由此可见，性能在很大程度上依赖于数据。

人工神经网络具有以下特性：

具有至少一个隐藏层的多层神经网络是万能逼近器。它可以用来逼近某些目标函数。由于ANN具有非常具有表现力的假设空间，因此选择适合特定问题的网络拓扑结构以防止模型过拟合至关重要。

ANN可以处理冗余特征，因为权重在训练阶段是学习得到的。冗余特征的权重往往很小。

神经网络容易受到训练数据中噪声的影响。一种处理噪声的方法是使用验证集来确定模型的泛化误差。另一种方法是在每次迭代中将权重减少某个因子。

梯度下降法用于学习组装到某个局部最小值的ANN的权重。一种摆脱局部最小值的方法是在权重更新公式中插入一个动量项。

训练ANN是一个缓慢的过程，特别是当隐藏节点数量很多时。但是，测试实例可以快速地进行。

更新于：2022年2月11日

1K+ 次浏览

开启你的职业生涯

完成课程获得认证

开始学习
广告