【類神經網路】

豐碩

【類神經網路】

 

NeuralNetwork

 

【辭書名稱】教育大辭書

 

類神經網路是探討如何模擬人類大腦運作的方式，期能發展出一套類似人類腦細胞之生物神經元硬體與軟體。

 

生物的腦神經組織是由大量的神經細胞（或神經元）及神經鍵連接而成。

 

每個神經元只有簡單的功能，但經過神經鍵結合後可發揮強大的能力。

 

類神經網路就是利用電子科技模擬神經組織的運作而組成的。

 

類神經網路中最基本的單元是處理元件(processingelement)，此元件模擬人腦中的神經元(neuron)。

 

一個處理元件包括了五大部分：輸入、量化(weighting)、組合函數(combiningfunction)、轉移函數(transferfunction)與輸出。

 

輸入部分將訊號帶入處理元件中。

 

各種輸入訊號皆可來自其他的處理元件的輸出，另外輸入訊號也可來自處理元件本身的輸出部分和網路外的外部世界資訊。

 

輸入訊號會依據輸入源而被量化。

 

即不同輸入源的訊號有不同的重要性，因此各種輸入訊號的量化程度就不同了。

 

量化作用是決定輸入訊號對處理元件的影響程度。

 

從一個處理元件到另一個處理元件間的訊號強度可依據其間連線(connection)的權值(weight)而適度地更改。

 

權值較大的連線代表傳送至下一個元件的訊號較強。

 

因此連線的權值直接表示了一個處理元件對另一個處理元件的影響。

 

輸入訊號在量化後就被表示在組合函數中。

 

組合函數結合了輸入訊號與處理元件的權值。

 

典型的組合可表示如下：一個處理元件j的組合函數為其中Wij代表元件i到元件j間連線的權值，而Aij代表元件i到元件j的輸入訊號值。

 

轉移函數會解釋組合函數的結果，並決定處理元件的輸出訊號值。

 

輸出部分會將轉移函數的結果分送至其他的處理元件或將其輸出至外部。

 

類神經網路中的處理元件如同腦神經元並非天生具有智慧的，而必須經由學習才能獲取知識，因此類神經必須具備學習能力，此為類神經網路的第一個執行功能。

 

網路中的單元與單元間的連線方式記錄著知識，不同的連線方式或權值不同就表示網路儲存著不同的資料。

 

因此類神經網路的學習功能即是不斷地調整連線上的權值。

 

類神經網路的另一項功能稱為推理。

 

當類神經網路對某一應用的知識已經學習完備後，就具備了此方面應用的推理知識。

 

所謂推理工作是類神經網路能針對某一輸入訊號，參考其所具備的知識而作出適當的反應。

 

推理工作就如同在記憶中尋找有關此事件的知識而產生適當的回應。

 

類神經網路已廣泛應用在各種科學領域中，其特點如下：(1)具有辨證能力：類神經網路從輸入層取得欲辨認的圖形後，網路會從其所學習的知識中找尋有關的圖形輸出。

 

(2)具有圖形重整功能：若輸入一個不完整的圖形，會使已被訓練過的網路從其內知識找出最佳的圖形而匹配之。

 

(3)自我訓練的能力：類神經網路能自我調整與學習。

 

它並不像演算法(algorithm)式地預先被「規劃」，而是經由各種實例或圖形的輸入而加以訓練。

 

在訓練過程中類神經網路會自行調整其內神經鍵連結方式而將新知識記入。

 

(4)容錯能力：經由類神經網路內的知識是分散在其內的每個神經元上，因此少數的神經元發生故障並不會使類神經的工作停止。

 

況且類神經網路尚具有自我訓練的功能，故加強了容錯能力，提供類神經網路的可靠度。

 

(5)雜訊免疫性：由於類神經網路具有推理的執行能力，故對於已存有雜訊的輸入資料而言，它能推理出最能匹配的輸出資料。

 

同時由於自我訓練的能力，會使類神經網路更能推理出最佳的結果。

 

 

轉自:http://edic.nict.gov.tw/cgi-bin/tudic/gsweb.cgi?o=ddictionary