神经网络的应用及发展的详细资料说明

　　该文介绍了神经网络的发展、优点及其应用现状和发展动向，对神经网络的一些常用算法进行简单的讲解， 着重论述了神经网络目前的几个研究热点， 即神经网络与遗传算法、灰色系统、模糊控制、小波分析的结合。

　　神经网络最早的研究20 世纪40 年代心理学家Mcculloch 和数学家Pitts 合作提出的，他们提出的MP模型拉开了神经网络研究的序幕。神经网络的发展大致经过三个阶段：1947~1969 年为初期，在这期间科学家们提出了许多神经元模型和学习规则， 如MP模型、HEBB学习规则和感知器等。1970~1986 年为过渡期， 这个期间神经网络研究经过了一个低潮，继续发展。在此期间，科学家们做了大量的工作，如Hopfield 教授对网络引入能量函数的概念，给出了网络的稳定性判据，提出了用于联想记忆和优化计算的途径。1984 年， Hiton教授提出Boltzman 机模型。1986 年Kumelhart 等人提出误差反向传播神经网络，简称BP网络。目前， BP 网络已成为广泛使用的网络。1987 年至今为发展期，在此期间，神经网络受到国际重视，各个国家都展开研究，形成神经网络发展的另一个高潮。

　　神经网络是对人脑或生物神经网络的抽象和建模， 研究非程序的、适应性的、大脑风格的信息处理的本质和能力。它是智能科学和计算智能的重要部分， 以脑科学和认知神经科学的研究成果为基础， 拓展智能信息处理的方法， 为解决复杂问题和智能控制提供有效的途径。神经网络具有以下优点：

　　（1） 具有很强的鲁棒性和容错性，因为信息是分布贮于网络内的神经元中。

　　（2） 并行处理方法，使得计算快速。

　　（3） 自学习、自组织、自适应性，使得网络可以处理不确定或不知道的系统。

　　（4） 可以充分逼近任意复杂的非线性关系。

　　（5） 具有很强的信息综合能力， 能同时处理定量和定性的信息， 能很好地协调多种输入

　　4 息关系，适用于多信息融合和多媒体技术。