国内优秀网站设计欣赏,平邑网站定制,一学一做教育视频网站有哪些内容,wordpress 批量修改分类人工智能领域中的重要流派之一是#xff1a;从神经细胞模型#xff08;Neural Cell Model#xff09;到神经网络模型#xff08;Neural Network Model#xff09;。 一、神经细胞模型
第一个人工神经细胞模型是“MP”模型#xff0c;它是由麦卡洛克、匹茨合作#xff0…人工智能领域中的重要流派之一是从神经细胞模型Neural Cell Model到神经网络模型Neural Network Model。 一、神经细胞模型
第一个人工神经细胞模型是“MP”模型它是由麦卡洛克、匹茨合作于1943年研究成功的这是关于神经细胞模型的奠基性工作因而人们认为它是从脑的生物原型出发探讨人工智能的开创性成果。
“MP”模型从微观上对脑的基本单元——神经细胞的下列特性进行了模拟
1.神经细胞的“兴奋”“抑制”两种状态认为神经细胞的活动遵守“全或无”定律。
2.神经细胞之间的“突触”联系分为兴奋型突触、抑制型突触。
3.神经细胞的输入、输出、多输入、单输出。输入称为“树突”输出称为“轴突”。
4.神经细胞的空间整合作用对不同输入端传入细胞的神经电脉冲进行信号处理。
5.神经细胞的阈值效应当输入电脉冲的时空整合结果使细胞膜电位升高超过阈值时细胞兴奋产生输出冲动。
在“MP”模型的基础上克里纳S.C.Kleene等学者进一步发展与完善研制了带有反馈的闭环神经细胞模型在神经细胞模型的基本逻辑阈值元件的基础上发展了“自动机理论”Automata。
改进的神经细胞模型考虑了神经细胞“结构可塑性”即突触联结系数的可变性神经细胞之间的联结强度的可调节性。1949年心理学家荷布D.O.Hebb在其著作《组织行为》Organization Behavior中指出当神经细胞参与某种心理活动时细胞之间的联结通路的信息传导能力将会增强即所谓“Hebb学习规则”。此外他还考虑了神经细胞对输入信号的时间整合作用、突触延时、不应期等。利用改进的神经细胞模型可以研究神经细胞的学习功能、遗传特性、疲劳效应。
二、神经网络模型 在神经细胞模型的基础上可进一步研究各种神经网络模型或称为“脑模型”。
50年代末到60年代初曾出现过人工神经网络或脑模型研究的第一次高潮例如
“感知机”Perceptron是1957年由罗森勃拉特F.Rosenblatt等研制的具有视觉感知与分类学习功能最早的、最著名的脑模型。
简单感知机为三层结构
1.输入层感受神经网络。
2.联系层中枢神经网络。
3.输出层效应神经网络。
通过示教学习与样本训练采用对“刺激—反应”的奖惩方式感知机可以进行某些简单的文字识别、图像识别、声音识别。
在60年代初期感知机曾盛行一时据估计有近百个研究机构和公司从事各种类型的感知机的研究和开发工作进行文字、图像、声音识别的实验例如Mark I、Mark Ⅱ等。
但是由于简单感知机在原理和功能上的局限性对复杂图像的感知能力低对非线性分类识别问题缺乏有效学习方法以及受到当时电子技术水平的限制人们对感知机的过高期望没有得到实现。
1969年美国麻省理工学院MIT出版了关于感知机的专著《PerceptronsAn Introduction to Computational Geometry》作者为明斯基M.L.Minsky等对简单感知机的研究结果进行了总结与系统的分析指出简单感知机有严重的缺陷无法识别线性不可分的模式即使简单的异或问题也无能为力。这种批评更促使感知机与神经网络的研究在70年代落入了低潮。
但是仍有不少学者在困难条件下坚持人工神经网络的研究。例如1969年日本学者中野提出了“联想机”Associatron1972年永野研究了“多层学习脑模型”1973年福岛提出了“认知机”Cognitron。
此外除了从微观仿生学观点研究上述基于阙逻辑元件的神经网络还有从宏观仿生学观点研究的人工神经网络例如1961年德国学者斯泰布什Steinbuch提出的“学习矩阵”1963年李Lee提出的“人造神经元”Artron“拟神经元”Neurotron等。
80年代初期人工神经网络的研究开始复苏。
1982年荷普菲尔德J.Hopfield提出一种新的全互连型的人工神经网络被称为“Hopfield网络”引入所定义的能量函数成功地求解了计算复杂度为NP完全型的“旅行商”问题。这项突破性的进展再度唤起了人们对神经网络的研究热情。
1983年欣顿J.Hinton、谢诺夫斯基T.Sejnowski研制出“Boltzman机”。基于这种神经网络模型采用“模拟退火”方法求解非线性动力学系统的优化问题可以使系统从局部极小状态跳出趋向于全局极小状态。
1986年鲁姆哈特D.Rumelhart和麦卡兰德J.Mc Clelland发表了他们主编的“PDP”研究报告Parall Distributing Processing-Explorations in the Microstructures of Cognition公布了基于人工神经网络的并行分布处理的新进展提出了关于认知过程的微结构理论。
同时鲁姆哈特、维伯斯P.Werbos等研制出新一代的多层感知机称之为反向传播神经网络Back Propagation简称“BP”网络。其中在简单感知机上增加了中枢神经网络的联系层数以构成多层感知机并且采用反向传播的学习算法利用反馈信息进行层间误差修正从而突破了简单感知机的局限性提高了多层感知机的识别能力可用于求解非线性感知与复杂模式识别问题。
1986年人工神经网络的又一项新进展是自适应共振理论ART它是由格罗斯伯格S.Grossberg、卡彭特G.Carpenter提出的。他们所研制的ART神经网络具有良好的自适应特性。
1987年首届国际人工神经网络学术大会在美国的圣迭戈San-Diego举行在大会期间成立了国际神经网络协会International Neural Netuork Society简称INNS掀起了人工神经网络研究的第二次高潮。 转自人工智能神经细胞模型到神经网络模型
