5分钟了解人工神经网络智能算法

　　在宇宙中，人的大脑是非常复杂和高度智能的系统，研究人员一直在探索人脑的工作机理，并希望用计算机技术再现和模拟人脑功能。人工神经网络系统就是模拟人脑思维方式的模型。
　　要学习神经网络，我们有必要了解实际的生物神经元是什么？有什么特点？
　　神经元又称神经细胞，是一种高度分化的细胞，是人体唯一具有感受刺激和传导兴奋功能的细胞，也是神经系统的基本组成单位。神经元的构造如下图：
　　神经元的构造
　　神经元细胞体是一个神经元的营养中心，胞体和树突表面是接受其它神经元传来信息的主要部位，而神经元发出的信息则沿着轴突传向末梢。
　　轴突：由细胞体向外伸出的最长的一条分支称为轴突，即神经纤维。轴突通过轴突末梢向其他神经元传出神经信息，因此，它是把神经元兴奋的信息传出到其他神经元的出口。
　　树突：由细胞体向外伸出的其它许多较短的分支称为树突。神经信息只能由前一级神经元的轴突末梢传向下一级神经元的树突或细胞体，不能作反方向的传递。
　　神经信息传导的方式主要分为两种：
　　(1)神经纤维上的传导。这种传导主要是通过点位的变化产生局部电流把信息不断向前传递。
　　(2)细胞间的传递。信息在神经元与神经元之间通过轴突来传递。
　　神经元还有一个重要特点是：神经元都有一个属于自己的阈值。当其他神经元对它的刺激超过阈值时，这个神经元就被激发，否则就被抑制。
　　神经元本身并不聪明，但是我们把1000亿个神经元放在一个小空间里，让他们彼此沟通，相互激发，就会让人产生智慧。人脑中有多少个神经元呢？据估计如果把一个人脑中的所有神经元的轴突和树突都拉直然后捆绑起来，那么这条神经线将从地球延伸到月球。如果在所有人身上做同样的事情，那么这条神经线将从地球达到邻近的星系！那为什么多个神经元聚集在一起就会产生智慧呢？
　　就像生物界有群体智能的概念，群居性生物通过协作展现出的宏观智能行为特征，被称为群体能。比如蜜蜂能够搭建非常复杂的蜂巢，群体蚂蚁能够准确的把很大的食物搬到蚂蚁窝。他的特点就是每一个个体，或者说是粒子，行为简单、单一，但是他们组合到一起的时候，就能产生智能现象和行为。所以单个神经元相当于一个个体，千亿个神经元组合到一起，就产生了群智能现象。
　　为了更好的搭建人工神经网络数学模型，我们还应该了解生物神经元的如下基本特质。
　　1.神经元与神经元之间互相连接构成网络结构；
　　2.神经元之间的联结强度决定信号传递的强弱；
　　3.神经元之间的联结强度时可以随训练改变的；（这是人工神经网络工作的基础和关键所在）
　　4.信号可以是起激励作用的，也可以是起抑制作用的；
　　5.一个神经元接收的信号的累积效果决定该神经元的状态；
　　6.每一个神经元可以有一个＂阈值＂。
　　我们根据以上特征建立一个神经元的数学模型。如下图：
　　神经元数学模型
　　左端x1、x2、…、xn为输入端，类似于神经元的树突，负责接收来自其他神经元的信号。
　　中间的椭圆代表细胞核，它负责接收和融合输入端的信息。
　　输入端与细胞核之间的通路上用w1、w2、…、wn分别代表输入端x1、x2、…、xn与细胞核的联结强度，起名为联结权值。
　　细胞核对输入信号的融合作用数学表达式就为：
　　θ就代表神经元的激发阈值。用数学表达式
　　表示细胞核的输出信号。然后再把信号以某种程度发送给下一个神经元。某种程度用激发函数f来表示，经过激发函数的函数值为y。
　　则神经元的数学表达式为：
　　激发函数表示了当前神经元对于信号的发送形式和程度，选择合适的激发函数对于神经网络具有重要的作用。这里介绍几种常见的激发函数
　　(1)阈值型：
　　阈值型函数图像
　　(2)分段线性型
　　分段型函数图像
　　(3)sigmoid函数
　　sigmoid函数图像
　　把多个神经元彼此相连，形成网络结构，就称为人工神经网络。如下图：
　　典型人工神经网络
　　每个圆圈就代表了一个神经元。神经网路第一层为输入层，中间层为隐含层，最后一层为输出层。网络层数越多，神经元也多，也越智能。
　　神经网络之所以能成为人工智能的热门研究邻域，主要是人工神经网络具有如下特点：
　　1.能逼近任意非线性函数；
　　2.信息的并行分布式处理与存储；
　　3.可以多输入、多输出；
　　4.便于用超大规模集成电路(VISI)或光学集成电路系统实现，或用现有的计算机技术实现；
　　5.能进行学习，以适应环境的变化。
　　现在举一个人工神经网络的例子—数字识别，帮助我们进一步理解人工神经网络如何工作。
　　例：怎么用人工神经网络识别数字3。
　　图一数字3的图像
　　图一首先给出一副数字3和8的图，其中1代表数字的笔画区域，0代表空白区域。
　　图二数字3的模版
　　为了能识别数字3，首先我们要给电脑一个数字3的模版图，如图二。其中1代表3的笔画区域，-1代表空白区域。
　　下一步电脑会把图像和模版点乘：
　　图像3与模版3的点乘
　　图像8与模版3的点乘
　　经过上述计算后，说明值越大，图像越接近于3。但依靠数字大小判断接近程度并不直观。所以引进了激发函数。如sigmoid函数，此函数的值在(0,1)之间，点乘值越大就越接近于1，点乘值越小就越接近于0。
　　为了更高效的判断，又引进了阈值θ，计算，当小于θ的值，经过激发函数计算的值都很小，也就是神经元并未被激发。
　　通过这个例子，相信大家已经对神经网络有所了解了吧！