大脑神经网络如何运用

1. 神经网络是什么

神经网络可以指向两种，一个是生物神经网络，一个是人工神经网络。
生物神经网络：一般指生物的大脑神经元，细胞，触点等组成的网络，用于产生生物的意识，帮助生物进行思考和行动。
人工神经网络（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。
人工神经网络：是一种应用类似于大脑神经突触联接的结构进行信息处理的数学模型。在工程与学术界也常直接简称为“神经网络”或类神经网络。

2. 如何唤醒大脑的潜能

如何唤醒大脑的潜能

如何唤醒大脑的潜能，你知道吗？伟人常说，人的大脑是可以无限开发的，现在人对于大脑的开发只有一点点，因此在生活中，我们常常可以对大脑进行开发，下面我为大家带来了唤醒大脑潜能的方法。

如何唤醒大脑的潜能1

一、唤醒身体

1、闭上眼睛吃饭。这就是阻断视觉信息，让嗅觉、味觉大显身手，刺激不常用到的脑细胞。其他的书上说，也可以闭着眼睛在家里走动，这很有趣也有挑战性，但要小心莫摔跤。

2、用手指分辨硬币。很显然，训练触觉。

3、戴上耳机上下楼梯。让听觉与腿互动？

4、捏住鼻子喝咖啡。看来这是阻断嗅觉信息，唤醒味觉。

5、放开嗓子大声朗读。话说少了，语言能力会下降的。最好再学一门新语言，即使每天记一个新单词，也可训练大脑。

6、闻咖啡看鱼的图片。其用意是打乱脑对气味的记忆，创造新的`内部环境。

二、寻求脑刺激

1、到餐馆点没吃过的菜。处处要创新，不搞老一套，自己在家也可以学习做新的菜肴。

2、把自己的钱花掉。但不要花得精光，要留点养老啊。

3、专门绕远路。选择不常走的路线，刺激脑神经网络的再扩展，开车不要用GSP，而要像出租车司机的大脑一样记路。

4、用左手端茶杯。训练右脑，右脑具有惊人的记忆能力，是左脑的100万倍。

5、听不同类型的歌曲。什么歌都要试着接受，最好还要经常背歌谱和歌词。

如何唤醒大脑的潜能2

一、积极锻炼左右脑

1、去陌生的地方散步。好主意，我就喜欢陌生的地方。

2、判断自己是右脑型还是左脑型。右脑型：人的右脑是属于灵感的、直觉的、音乐的、艺术的，可以令人产生美感和喜悦。

据说左脑能使人感觉和享受到成功，却无法使人享受到长久的幸福感。而善于使用右脑的人可以使人脑分泌更多的内啡肽，从而使人能产生充分的幸福和满足感。

3、用直觉作决断。这个有点“理扯火”哟，决断错了谁负责？

二、越运动脑子越好

1、每天快走20分钟。跑步、走路、练习禅太极等运动能充分刺激大脑，改善脑活性。

2、多做“手指操”。看来，家里的钢琴该用起来了。

3、尝试全新的运动。禅太极对我来说就是全新的运动！

三、改善脑活性，激发灵感

1、记住每次成功的感觉。意即保持良好的心理状态，但总是提“当年勇”也让别人烦。

2、对自己说“肯定能行”。自我暗示是必须的。

3、写100个自己喜欢的东西。恐怕100个还不够。

4、变换视角看问题。意即站在对方的立场上看问题。

5、一想到就说出来。我觉得说话还是要过一下脑子，有时候说话冲口而出，不假思索，容易得罪人哦。所以最好内心善良，性格温厚。

6、让脑子偶尔无聊一下。其实是练习冥想，花点时间独处，放松自己，以便更好地集中精力。

7、看从来不看的电视节目。当然也不能在看电视上花费太多时间。

8、亲身体验是脑最宝贵的财富。说得对！

3. 如何用神经网络实现连续型变量的回归预测

神经网络最开始是机器学习的一种模型，但其训练的时间和其他几种模型相比不占优势，且结果也不尽人意，所以一直没有被广泛使用。但随着数学的深入研究以及计算机硬件质量的提高，尤其是GPU的出现，给深度学习的广泛应用提供了基础。GPU最初是为了给游戏玩家带来高质量的视觉体验，由于其处理矩阵运算的能力特别优秀，也被用于深度学习中模型的训练，以往数十天才能训练好的模型在GPU上训练几天就可以训练好，大大减少了深度学习的训练时间，因而深度学习的应用越来越多。

通常使用Python来搭建神经网络，Python自带深度学习的一些库，在进行回归预测时，我们只需用调用函数，设定几个参数，如隐藏层层数和神经元个数等，剩下的就是等模型自行训练，最终便能完成回归预测，非常的方便。

4. 人工神经网络有什么应用条件

人工神经网络（Artificial Neural Network，简称ANN ），以数学模型模拟神经元活动，是基于模仿大脑神经网络结构和功能而建立的一种信息处理系统。人工神经网络具有自学习、自组织、自适应以及很强的非线性函数逼近能力，拥有强大的容错性。它可以实现仿真、预测以及模糊控制等功能。是处理非线性系统的有力工具。
它是物流合作伙伴选择方法中合作伙伴选择的神经网络算法的另一种名称。它是20世界80年代后迅速发展的一门新兴学科，ANN可以模拟人脑的某些智能行为，如知觉，灵感和形象思维等，具有自学性，自适应和非线性动态处理等特征。
将ANN应用于供应链管理（SCM）环境下合作合办的综合评价选择，意在建立更加接近于人类思维模式的定性与定量相结合的综合评价选择模型。通过对给定样本模式的学习，获取评价专家的知识，经验，主管判断及对目标重要性的倾向，当对合作伙伴作出综合评价时，该方法可再现评价专家的经验，知识和直觉思维，从而实现了定性分析与定量分析的有效结合，也可以较好的保证合作伙伴综合评价结果的客观性。
在选定评价指标组合的基础上，对评价指标作出评价，得到评价值后，因各指标间没有统一的度量标准，难以进行直接的分析和比较，也不利于输入神经网络计算。因此，在用神经网络进行综合评价之前，应首先将输入的评价值通过隶属函数的作用转换为（0，1]之间的值，即对评价值进行标准无纲量化，并作为神经网络的输入，以使ANN可以处理定量和定性指标。

5. 心理学之意识、大脑、神经网络猜想

导读： 最近在学习心理学，了解了意识、潜意识，突然在计算机科学中的神经网络关联下，对大脑的运作机制有了一些猜想。本文就是对这个猜想的论述。

在心理学中，“意识概念”分为了感知意识、前意识、潜意识三个方面。为了方便读者理解后续论述内容，这里简单将以上三个方面的概念介绍下。
感知意识 ，一般称呼为意识，是一种个人在任何时刻觉察到的感觉和体验；
前意识 ，需要时，就可以意识到的部分；
潜意识 ，对意识构成威胁而必须推开的记忆和情绪等内容，是不能简单注意就能意觉察到的，可能在梦、口误诙谐中泄露其部分。
对于这三个概念，我的理解是， 感知意识 是一种直接反馈意识，是短期记忆的主要部分； 前意识 是一种规律反馈意思，根据长期记忆获得了某种规律的掌握，记忆内容更偏向抽象化； 潜意识 是一种本能反馈，表达了多中规律下的规律，基本没有具体的记忆画面。
举几个例子来说明下。当我们看见一只蚊子在腿上吸血，感知意识就会控制身体去拍打蚊子，这个就是感知意识。当一个老炼的恋人，看到地上的动物脚印，就能立即想到在哪里布置陷阱会有效，这个就是前意识。有些女孩喜欢比自己大很多的男人，理性来说，这并不是一个很好的选择，很多人也不能理解，但女孩就是迷恋比她大很多的男人，这就是潜意识决定的。
对于意识，可以这样理解， 感知意识 是最容易改变的， 前意识 需要经过长实践积累才能改变， 潜意识 基本上很难改变，需要付出更多努力。那么意识与大脑到底是什么关系？

在很多科幻电影中，经常说人体大脑的潜能没有被完全发挥，可能只发挥了2%。关于这个论述，我认为是错误的。根据进化论的观点，在漫长的历史中，一定出现过某些基因大脑潜能发挥更高或者更低，但最终这些基于被环境所淘汰。例如，有些科幻电影中，会渴望自己拥有无数动物的优势，变为一个优势集成体，但事实是人类并没有进化出坚硬的盔甲，也没有进化出长生不死的基因，这也是告诫人类，获得一个优势一定需要付出很大代价。所以，根据进化论来说，人类目前的大脑组织是最适合于当前环境的一个形态，换句话说，人类大脑是处于一种有冗余的充分发挥状态。
有冗余的充分发挥，是与意识相关联的。人的大脑就像一个拥有基本空间布局的空房子，有大量的空间可以被挥霍。就像我们搬到一个新家后，很开心可以对这个房子进行随意的布局，随意的放置喜欢的物品，但过了几年以后，虽然房子还是会进进出出很多东西，但基本的功能格局很少发生变化，除非发生了巨大的突发事故。
有冗余对我们大脑的使用有很多影响。例如：

大脑本质是有神经元组成，在计算机科学领域，神经网络模型可以看作是大脑模型的表达。意识是大脑的表达形式，意识由大脑的构造决定。本节将主要论述，大脑的神经网络模型应该是什么样的形态？
本文提出的神经网络模型并非是完整的模型，其中缺少了本我、自我、超我方面的因素考虑，是一个针对本文的简化模型。大脑的神经网络应该是一个多层形态，包含大概四个阶段：

感知意识往往主要由 功能神经网络 与 功能冗余神经网络 表达， 功能冗余神经网络 由大脑表皮下的神经元组成，被多个功能区连接，主要目的是调节分配给功能区的神经元数量，对于激活频繁的功能，分配更多的神经元参与记忆表达与规律提取，对于被破坏的功能区大脑，冗余神经网络也会调节更多冗余神经元参与功能表达，确保功能的正常表达。
前意识主要由规则提取神经网络组成。这个部分神经网络的神经元数量小于感知意识表达的神经网络神经元数量，只能存储很模糊、抽象的画面，更多存储的是规则。感知意识网络与前意识网络会有一定的冗余区，冗余区的神经元根据需要可以用于感知意识表达，也可以用于前意识表达。
潜意识主要由规则泛化神经网络组成。这个部分的神经元数量少于前几个阶段。在潜意识神经网络中，几乎不存储画面信息，将提取了针对不同功能下都有作用的规则，就像是傅里叶变化中的整体规则信息，会对多个场景产生行动影响，在表现上像是潜意识中的人生观、价值观等。

在假设了意识、大脑、神经网络的关系后，希望能够在这种假设前提下，针对一些实际问题给出解答。

人类的大脑是目前所有动物中最为高级的大脑，尤其体现在前意识与潜意识的神经网络模型中。动物大脑由于神经元数量限制，构建的规则表达非常简单，所以很容易形成简单的因果联系，所以我认为越简单的大脑，条件反射越容易形成，越复杂的大脑，越容易修改条件反射的关联。

潜意识是前意识不断强化的结果，前意识是感知意识不断强化的结果，所以不断强化感知意识，尤其是不断在不同场景中应用同一个前意识规则进行感知意识的强化，可以帮助规则的潜意识化。将职业特征表达在日常生活中，就是一种强化，也是一种强化结果的表达。例如，一名科学工作者，可能会将科学研究过程，应用于烹饪中，调研、对比、实验、量化、结果反馈、执行修正等。

将超能力分为两类，一种是规则进入潜意识后的强化，另一种是某功能场景下的神经网络强化。举两个例子，有某些银行工作人员，不需要数钱，只要用手感知钱的厚度，就能几乎准确的说出人民币的金额，这是前一种超能力。在电影《雨人》中，雨人能够快速进行计算，感知数量，这种可以算是第二种类型，重构了冗余神经元的使用，针对某个场景构建了更加复杂的神经网络模块，投入了更多的神经元在该模型中。
第一种超能力，经过不断规则强化，可以被大多数人掌握，但这类规则往往比较简单，最多存在于前意识神经网络模型中。由于这一类超能力并没有对神经元的分配做出很大的改变，所以对其他功能的正常表达不是很影响。而第二中超能力，一般人很难掌握，需要在某个功能场景中，专注强化该场景，并不断弱化其他功能场景，才能获得。在第二种超能力中，一般一定会伴随着其他功能的弱化，比如雨人的正常生活功能，也就是说，第二种超能力经常会出现在我们认为这个人不正常的人群中，例如某自闭症患者。
在实际工作中，也有介于第一种与第二种之间的类超能力。当工作者在某个领域投入了非常多精力时，会有类似第二种超能力者的表现，一方面，他是行业的佼佼者，另一方面，他在生活其他方面存在不足，例如可能表现在不善于沟通，生活自理能力差，感知他人情绪能力差等。
如何避免第二种超能力的负面产物，根据本文提出的假设，可以将某领域的成功规律不断应用于其他功能场景种，在潜意识中，强化能够泛化于多个场景的规律。

在本文假设中，功能区神经网络模型很容易被重置，学习与遗忘是频繁发生的。所以，学习某个具体的功能场景不是非常重要的，而如何强化那些在一生中都产生基本作用的价值观是重要的，例如在不同功能场景下强化乐观、坚持、诚实、挑战困难等基础规律。但由于潜意识无法被感知，也就很难被量化，所以教育机构很少会进行这些方面的培训，因为看不到效果，或者很难将效果量化，反而功能场景培训更容易量化，效果更加明显。也就是说，父母将是孩子在基础规律潜意识化的主要培训者。

6. 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。

7. 神经网络的主要内容特点

（1） 神经网络的一般特点
作为一种正在兴起的新型技术神经网络有着自己的优势，他的主要特点如下：
① 由于神经网络模仿人的大脑，采用自适应算法。使它较之专家系统的固定的推理方式及传统计算机的指令程序方式更能够适应化环境的变化。总结规律，完成某种运算、推理、识别及控制任务。因而它具有更高的智能水平，更接近人的大脑。
② 较强的容错能力，使神经网络能够和人工视觉系统一样，根据对象的主要特征去识别对象。
③ 自学习、自组织功能及归纳能力。
以上三个特点是神经网络能够对不确定的、非结构化的信息及图像进行识别处理。石油勘探中的大量信息就具有这种性质。因而，人工神经网络是十分适合石油勘探的信息处理的。
（2） 自组织神经网络的特点
自组织特征映射神经网络作为神经网络的一种，既有神经网络的通用的上面所述的三个主要的特点又有自己的特色。
① 自组织神经网络共分两层即输入层和输出层。
② 采用竞争学记机制，胜者为王，但是同时近邻也享有特权，可以跟着竞争获胜的神经元一起调整权值，从而使得结果更加光滑，不想前面的那样粗糙。
③ 这一网络同时考虑拓扑结构的问题，即他不仅仅是对输入数据本身的分析，更考虑到数据的拓扑机构。
权值调整的过程中和最后的结果输出都考虑了这些，使得相似的神经元在相邻的位置，从而实现了与人脑类似的大脑分区响应处理不同类型的信号的功能。
④ 采用无导师学记机制，不需要教师信号，直接进行分类操作，使得网络的适应性更强，应用更加的广泛，尤其是那些对于现在的人来说结果还是未知的数据的分类。顽强的生命力使得神经网络的应用范围大大加大。

8. 神经网络,什么过拟合,什么是欠拟合

欠拟合是指模型不能在训练集上获得足够低的误差。而过拟合是指训练误差和测试误差之间的差距太大。

相关介绍：

人工神经网络（ANN）或联结主义系统是受构成动物大脑的生物神经网络的启发但不完全相同的计算系统。这种系统通过例子来“学习”执行任务，而不用特定于任务的规则进行编程。

例如，在图像识别中，人工神经网络可能会通过分析一些图像样本来学习识别包含猫的图像，这些图像被手工标记为“猫”或“不是猫”，并使用结果识别在其他图像中的猫。

他们这样做是在没有猫的任何先验知识的情况下进行的，例如，它们有毛皮，尾巴，胡须和类似猫的脸。相反，人工神经网络会自动从它们处理的学习材料中生成识别特征。

人工神经网络是基于称为人工神经元的连接单元或节点所构成的集合，这些单元或节点松散地模拟生物大脑中的神经元。像生物大脑中的突触一样，每个连接可以将信号从一个人工神经元传输到另一个人工神经元。接收信号的人工神经元可以对其进行处理，然后向与之相连的附加人造神经元发出信号。

9. 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

10. 什么叫神经网络

南搞小孩给出基本的概念: 一.一些基本常识和原理 [什么叫神经网络?] 人的思维有逻辑性和直观性两种不同的基本方式。逻辑性的思维是指根据逻辑规则进行推理的过程；它先将信息化成概念，并用符号表示，然后，根据符号运算按串行模式进行逻辑推理；这一过程可以写成串行的指令，让计算机执行。然而，直观性的思维是将分布式存储的信息综合起来，结果是忽然间产生想法或解决问题的办法。这种思维方式的根本之点在于以下两点:1.信息是通过神经元上的兴奋模式分布储在网络上;2.信息处理是通过神经元之间同时相互作用的动态过程来完成的。 人工神经网络就是模拟人思维的第二种方式。这是一个非线性动力学系统，其特色在于信息的分布式存储和并行协同处理。虽然单个神经元的结构极其简单，功能有限，但大量神经元构成的网络系统所能实现的行为却是极其丰富多彩的。 [人工神经网络的工作原理] 人工神经网络首先要以一定的学习准则进行学习，然后才能工作。现以人工神经网络对手写“A”、“B”两个字母的识别为例进行说明，规定当“A”输入网络时，应该输出“1”，而当输入为“B”时，输出为“0”。 所以网络学习的准则应该是：如果网络作出错误的的判决，则通过网络的学习，应使得网络减少下次犯同样错误的可能性。首先，给网络的各连接权值赋予(0，1)区间内的随机值，将“A”所对应的图象模式输入给网络，网络将输入模式加权求和、与门限比较、再进行非线性运算，得到网络的输出。在此情况下，网络输出为“1”和“0”的概率各为50%，也就是说是完全随机的。这时如果输出为“1”(结果正确)，则使连接权值增大，以便使网络再次遇到“A”模式输入时，仍然能作出正确的判断。 如果输出为“0”(即结果错误)，则把网络连接权值朝着减小综合输入加权值的方向调整，其目的在于使网络下次再遇到“A”模式输入时，减小犯同样错误的可能性。如此操作调整，当给网络轮番输入若干个手写字母“A”、“B”后，经过网络按以上学习方法进行若干次学习后，网络判断的正确率将大大提高。这说明网络对这两个模式的学习已经获得了成功，它已将这两个模式分布地记忆在网络的各个连接权值上。当网络再次遇到其中任何一个模式时，能够作出迅速、准确的判断和识别。一般说来，网络中所含的神经元个数越多，则它能记忆、识别的模式也就越多。 南搞小孩一个小程序: 关于一个神经网络模拟程序的下载 人工神经网络实验系统(BP网络) V1.0 Beta 作者:沈琦 http://emuch.net/html/200506/de24132.html 作者关于此程序的说明: 从输出结果可以看到，前3条"学习"指令，使"输出"神经元收敛到了值 0.515974。而后3条"学习"指令，其收敛到了值0.520051。再看看处理4和11的指令结果 P *Out1: 0.520051看到了吗？ "大脑"识别出了4和11是属于第二类的！怎么样?很神奇吧?再打show指令看看吧!"神经网络"已经形成了!你可以自己任意的设"模式"让这个"大脑"学习分辩哦!只要样本数据量充分(可含有误差的样本)，如果能够在out数据上收敛地话，那它就能分辨地很准哦!有时不是绝对精确，因为它具有"模糊处理"的特性.看Process输出的值接近哪个Learning的值就是"大脑"作出的"模糊性"判别! 南搞小孩神经网络研究社区: 人工神经网络论坛 http://www.youngfan.com/forum/index.php http://www.youngfan.com/nn/index.html(旧版,枫舞推荐) 国际神经网络学会(INNS)(英文) http://www.inns.org/ 欧洲神经网络学会(ENNS)(英文) http://www.snn.kun.nl/enns/ 亚太神经网络学会(APNNA)(英文) http://www.cse.cuhk.e.hk/~apnna 日本神经网络学会(JNNS)(日文) http://www.jnns.org 国际电气工程师协会神经网络分会 http://www.ieee-nns.org/ 研学论坛神经网络 http://bbs.matwav.com/post/page?bid=8&sty=1&age=0 人工智能研究者俱乐部 http://www.souwu.com/ 2nsoft人工神经网络中文站 http://211.156.161.210:8888/2nsoft/index.jsp =南搞小孩推荐部分书籍: 人工神经网络技术入门讲稿(PDF) http://www.youngfan.com/nn/ann.pdf 神经网络FAQ(英文) http://www.youngfan.com/nn/FAQ/FAQ.html 数字神经网络系统(电子图书) http://www.youngfan.com/nn/nnbook/director.htm 神经网络导论(英文) http://www.shef.ac.uk/psychology/gurney/notes/contents.html =南搞小孩还找到一份很有参考价值的讲座 <前向网络的敏感性研究> http://www.youngfan.com/nn/mgx.ppt 是Powerpoint文件，比较大，如果网速不够最好用鼠标右键下载另存. 南搞小孩添言:很久之前，枫舞梦想智能机器人从自己手中诞生,SO在学专业的时候也有往这方面发展...考研的时候亦是朝着人工智能的方向发展..但是很不幸的是枫舞考研失败...SO 只好放弃这个美好的愿望,为生活奔波.希望你能够成为一个好的智能计算机工程师..枫舞已经努力的在给你提供条件资源哦~~