机器学习相关介绍—人工神经网络概述

人工神经网络的英文名称为Artificial Neural Networks，英文简称为Neural Networks。

人工神经网络为理论基础在20世纪80年代已发展成熟，但人工神经网络方法曾经无人问津。近年来，以人工神经网络为理论基础的深度学习算法在几乎所有主流机器学习领域取得了突破性的进展，人工神经网络方法因而受到关注。

人工神经网络的基本思想是仿生学，即对人脑的神经元运作机制进行模拟。当计算机的计算资源较低时，计算机只能模拟少数人脑神经元的运作方式，所开发的机器学习系统性能不高；2000年后，随着计算机的硬件能力发展，计算机可模拟几十万至几千万神经元的运作方式，所开发的机器学习系统性能较高。

一、人工智能的两个学派

除了以人工神经网络为代表的仿生学派分支，人工智能学科还具有数理学派分支，支持向量机是数理学派分支的典型代表。此两种学派在人工智能学科领域此消彼长。

仿生学派认为：人工智能模拟的是人脑对世界的认识，因此，研究人脑认知机理，总结人脑处理信息的方式，是实现人工智能的先决条件；计算机算法只有深入模拟人脑的认知机制和信息处理方式，才能实现人工智能。

数理学派认为：在现在以及可预见的未来，我们无法完全了解人脑的认知机理；而且，计算机与人脑具有截然不同的物理属性和体系结构，因此，通过完全模仿人脑的认知机制和信息处理方式既不可能，也不必须，人工智能的研究应立足于现有计算机的物理属性和体系结构，采用数学和逻辑推理的方法从现有的计算机结构中获得确定的知识。

数理学派的观点类似于虽然飞机的飞行机理与鸟的飞行机理不同，但飞机的飞行速度高于鸟的飞行速度。

二、人工神经网络模型

1943年，心理学家麦卡洛克（W.S.MeCulloch）和数理逻辑学家沃尔特·皮茨（W.Pitts）基于神经元的生理结构建立了单一神经细胞的数学模型，该模型被称为MP模型。

 

图片来源：中国慕课大学《机器学习概论》

MP模型将神经细胞的外部刺激模拟为输入，将神经细胞的树突对外部刺激的加工过程模拟为以某个权重对输入加权，将细胞核对外部刺激的处理模拟为带有偏置的求和，将神经细胞向外传递的信号模拟为将求和值输入至非线性函数的输出。

 

图片来源：中国慕课大学《机器学习概论》

尽管MP模型为神经细胞的运作机制提供了数学模型，但MP模型过于简单，与神经细胞的实际运作机制相差甚远。单个神经细胞的确会在接受外界刺激后做出反应，但此反应是否可采用对输入的刺激加权求和再加偏置的形式表示有待探讨，至今为止，没有生物学实验支持MP模型，动物或人神经细胞的运作机制较MP模型复杂。

除MP模型外，人工神经网络模型还包括：脉冲神经网络（Spiking neural networks）、hopfield神经网络等。目前，应用最广泛的模型是MP模型。

审核编辑：刘清