㈠ 概率神经网络主要是用来做什么的
作用：这种网络已较广泛地应用于非线性滤波、模式分类、联想记忆和
概率密度估计当中。
概率神经网络是由Specht博士在1989年提出的，它与统计信号处理
的许多概念有着紧密的联系。当这种网络用于检测和模式分类时，可以
得到贝叶斯最优结果。它通常由4层组成。第一层为输入层，每个神经
元均为单输入单输出，其传递函数也为线性的，这一层的作用只是将输
入信号用分布的方式来表示。第二层称之为模式层，它与输入层之间通
过连接权值Wij相连接.模式层神经元的传递函数不再是通常的Sigmoid
函数，而为
g(Zi)=exp[(Zi-1)/(s*s)]
其中，Zi为该层第i个神经元的输入，s为均方差。第三层称之为累加层
，它具有线性求和的功能。这一层的神经元数目与欲分的模式数目相同
。第四层即输出层具有判决功能，它的神经元输出为离散值1和-1（或0
），分别代表着输入模式的类别。
许多研究已表明概率神经网络具有如下特性：
(1)训练容易，收敛速度快，从而非常适用于实时处理；
(2)可以完成任意的非线性变换，所形成的判决曲面与贝叶斯最优
准则下的曲面相接近；
(3)具有很强的容错性；
(4)模式层的传递函数可以选用各种用来估计概率密度的核函数，
并且，分类结果对核函数的形式不敏感；
(5)各层神经元的数目比较固定，因而易于硬件实现。
㈡ 不同的人工神经网络模型各有什么作用
人工神经网络的优点
人工神经网络是崭新且令人兴奋的研究领域，它有很大的发展潜力，但也同时遭受到一些尚未克服的困难。其优点可列举如
1.可处理噪声:一个人工神经网络补训练完成后，即便输入的数据中有部分遗失，它仍然有能力辨认样本。
2.不易损坏:因为人工神经网络以分布式的方法来表示数据，所以当某些单元损坏时，它依然可以正常地工作
3.可以平行处理。
4.可以学习新的观念。
5.为智能机器提供了一个较合理的模式。
6.已经被成功地运用在某些以一般传统方法很难解决的问题上，如某些视觉问题。
7.有希望实现联合内存。
8.它提供了一个工具，来模拟并探讨人脑的功能
㈢ 什么是神经网络
隐层节点数在BP 网络中，隐层节点数的选择非常重要，它不仅对建立的神经网络模型的性能影响很大，而且是训练时出现“过拟合”的直接原因，但是目前理论上还没有一种科学的和普遍的确定方法。 目前多数文献中提出的确定隐层节点数的计算公式都是针对训练样本任意多的情况，而且多数是针对最不利的情况，一般工程实践中很难满足，不宜采用。事实上，各种计算公式得到的隐层节点数有时相差几倍甚至上百倍。为尽可能避免训练时出现“过拟合”现象，保证足够高的网络性能和泛化能力，确定隐层节点数的最基本原则是：在满足精度要求的前提下取尽可能紧凑的结构，即取尽可能少的隐层节点数。研究表明，隐层节点数不仅与输入/输出层的节点数有关，更与需解决的问题的复杂程度和转换函数的型式以及样本数据的特性等因素有关。在确定隐层节点数时必须满足下列条件：（1）隐层节点数必须小于N-1（其中N为训练样本数），否则，网络模型的系统误差与训练样本的特性无关而趋于零，即建立的网络模型没有泛化能力，也没有任何实用价值。同理可推得：输入层的节点数（变量数）必须小于N-1。(2) 训练样本数必须多于网络模型的连接权数，一般为2~10倍，否则，样本必须分成几部分并采用“轮流训练”的方法才可能得到可靠的神经网络模型。 总之，若隐层节点数太少，网络可能根本不能训练或网络性能很差；若隐层节点数太多，虽然可使网络的系统误差减小，但一方面使网络训练时间延长，另一方面，训练容易陷入局部极小点而得不到最优点，也是训练时出现“过拟合”的内在原因。因此，合理隐层节点数应在综合考虑网络结构复杂程度和误差大小的情况下用节点删除法和扩张法确定。
㈣ 神经网络到底能干什么
神经网络（Artificial Neural Networks，简写为ANNs）也简称为神经网络（NNs）或称作连接模型（Connection Model），它是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。
神经网络可以用于模式识别、信号处理、知识工程、专家系统、优化组合、机器人控制等。随着神经网络理论本身以及相关理论、相关技术的不断发展，神经网络的应用定将更加深入。
神经网络的研究可以分为理论研究和应用研究两大方面。
理论研究可分为以下两类：
1、利用神经生理与认知科学研究人类思维以及智能机理。
2、利用神经基础理论的研究成果，用数理方法探索功能更加完善、性能更加优越的神经网络模型，深入研究网络算法和性能，如：稳定性、收敛性、容错性、鲁棒性等；开发新的网络数理理论，如：神经网络动力学、非线性神经场等。
应用研究可分为以下两类：
1、神经网络的软件模拟和硬件实现的研究。
2、神经网络在各个领域中应用的研究。
㈤ 神经网络是什么
神经网络是一种以人脑为模型的机器学习，简单地说就是创造一个人工神经网络，通过一种算法允许计算机通过合并新的数据来学习。
神经网络简单说就是通过一种算法允许计算机通过合并新的数据来学习！
㈥ 神经网络控制的主要作用有哪些
您好
神经网络好处不是说它有什么好的特性易于控制，而是当人们遇到传统的控制方法控制效果的不好的非线性、不确定对象的问题，即人们面临控制对象难以建模的时候，神经网络强大的作用就显现出来了。主要的网络有BP,RBF,ART等神经网络，这三种网络机构原理各不相同，你用网络文库，里面有相应的介绍。
㈦ 神经网络计算机有哪些用途
许多新型的电子计算机不仅拥有高速的计算功能，而且还能模拟人脑的某些思维活动，就是说，拥有某些智能化的功能。然而，如果严格地来鉴定一下，它们离真正的人脑思维功能实在差得太远了，而且有许多本质的差异。主要表现在人脑拥有高度的自我学习和联想创造的能力，以及更为高级的寻找最优方案和各种理性的、情感的功能。
目前一种称之为神经网络计算机的新型电脑已经制造出来了。
它能像人脑那样进行判断和预测。它不需要输入程序，可以直观地作出答案，也就是说它“看”到什么就能自行作出反应。它能同时接收几种信号并进行处理，而不像目前已有的计算机那样一次只能输入一个信号。
譬如，它能区别出一个签名的真伪。它不是凭签名的图形是否相像来判断的，而是根据本人在签名时笔尖上的压力随时间的变化以及移动速度来判断的。神经网络计算机目前主要的用途是识别各种极细微的变化和趋热，并发出信号。已经有人用它来控制热核聚变反应，监督机器的运行，甚至用来挑选苹果和预测股市行情。
㈧ 人工神经网络的作用
人工神经网络（Artificial Neural Network，即ANN ），是20世纪80 年代以来人工智能领域兴起的研究热点。它从信息处理角度对人脑神经元网络进行抽象， 建立某种简单模型，按不同的连接方式组成不同的网络。在工程与学术界也常直接简称为神经网络或类神经网络。神经网络是一种运算模型，由大量的节点（或称神经元）之间相互联接构成。每个节点代表一种特定的输出函数，称为激励函数（activation function）。每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重，这相当于人工神经网络的记忆。网络的输出则依网络的连接方式，权重值和激励函数的不同而不同。而网络自身通常都是对自然界某种算法或者函数的逼近，也可能是对一种逻辑策略的表达。
最近十多年来，人工神经网络的研究工作不断深入，已经取得了很大的进展，其在模式识别、智能机器人、自动控制、预测估计、生物、医学、经济等领域已成功地解决了许多现代计算机难以解决的实际问题，表现出了良好的智能特性。
中文名
人工神经网络
外文名
artificial neural network
别称
ANN
应用学科
人工智能
适用领域范围
模式分类
精品荐读
“蠢萌”的神经网络
作者：牛油果进化论
快速
导航
基本特征
发展历史
网络模型
学习类型
分析方法
特点优点
研究方向
发展趋势
应用分析
神经元
如图所示
a1~an为输入向量的各个分量
w1~wn为神经元各个突触的权值
b为偏置
f为传递函数，通常为非线性函数。以下默认为hardlim()
t为神经元输出
数学表示 t=f(WA'+b)
W为权向量
A为输入向量，A'为A向量的转置
b为偏置
f为传递函数
可见，一个神经元的功能是求得输入向量与权向量的内积后，经一个非线性传递函数得到一个标量结果。
单个神经元的作用：把一个n维向量空间用一个超平面分割成两部分（称之为判断边界），给定一个输入向量，神经元可以判断出这个向量位于超平面的哪一边。
该超平面的方程: Wp+b=0
W权向量
b偏置
p超平面上的向量
基本特征
人工神经网络是由大量处理单元互联组成的非线性、自适应信息处理系统。它是在现代神经科学研究成果的基础上提出的，试图通过模拟大脑神经网络处理、记忆信息的方式进行信息处理。
人工神经网络具有四个基本特征：
（1）非线性 非线性关系是自然界的普遍特性。大脑的智慧就是一种非线性现象。人工神经元处于激活或抑制二种不同的状态，这种行为在数学上表现为一种非线性关系。具有阈值的神经元构成的网络具有更好的性能，可以提高容错性和存储容量。
人工神经网络
（2）非局限性 一个神经网络通常由多个神经元广泛连接而成。一个系统的整体行为不仅取决于单个神经元的特征，而且可能主要由单元之间的相互作用、相互连接所决定。通过单元之间的大量连接模拟大脑的非局限性。联想记忆是非局限性的典型例子。
（3）非常定性 人工神经网络具有自适应、自组织、自学习能力。神经网络不但处理的信息可以有各种变化，而且在处理信息的同时，非线性动力系统本身也在不断变化。经常采用迭代过程描写动力系统的演化过程。
（4）非凸性 一个系统的演化方向，在一定条件下将取决于某个特定的状态函数。例如能量函数，它的极值相应于系统比较稳定的状态。非凸性是指这种函数有多个极值，故系统具有多个较稳定的平衡态，这将导致系统演化的多样性
㈨ 神经网络计算机的作用是什么
神经网络计算机具有模仿人的大脑判断能力和适应能力