什么是神经网络算法.docx

算法起源在思维学中，人类的大脑的思维分为：逻辑思维、直观思维、和灵感思维三种基本方式。而神经网络就是利用其算法特点来模拟人脑思维的第二种方式，它是一个非线性动力学系统，其特点就是信息分布式存储和并行协同处理，虽然单个神经元的结构及其简单，功能有限，但是如果大量的神经元构成的网络系统所能实现的行为确实及其丰富多彩的。其实简单点讲就是利用该算法来模拟人类大脑来进行推理和验证的。我们先简要的分析下人类大脑的工作过程，我小心翼翼的在网上找到了一张勉强看起来舒服的大脑图片嗯，看着有那么点意思了，起码看起来舒服点，那还是在19世纪末，有一位叫做：Waldege的大牛创建了神经元学活，他说人类复杂的神经系统是由数目繁多的神经元组成，说大脑皮层包括100亿个以上的神经元，每立方毫米源数万个，汗..我想的是典型的大数据。他们相互联系形成神经网络，通过感官器官和神经来接受来自身体外的各种信息（在神经网络算法中我们称:训练）传递中枢神经，然后经过对信息的分析和综合，再通过运动神经发出控制信息（比如我在博客园敲文字），依次来实现机体与外部环境的联系。神经元这玩意跟其它细胞一样，包括：细胞核、细胞质和细胞核，但是它还有比较特殊的，比如有许多突起，就跟上面的那个图片一样，分为：细胞体、轴突和树突三分部。细胞体内有细胞核，突起的作用是传递信息。树突的作用是作为引入输入信息的突起，而轴突是作为输出端的突起，但它只有一个。也就是说一个神经元它有N个输入（树突），然后经过信息加工（细胞核），然后只有一个输出（轴突）。而神经元之间四通过树突和另一个神经元的轴突相联系，同时进行着信息传递和加工。我去...好复杂....我们来看看神经网络的原理算法公式中间那个圆圆的就是细胞核了，X1、X2、X3....Xn就是树突了，而Yi就是轴突了....是不是有那么点意思了，嗯...我们的外界信息是通过神经元的树突进行输入，然后进过细胞核加工之后，经过Yi输出，然后输出到其它神经元...但是这种算法有着它自身的特点，就好像人类的大脑神经元一样，当每次收到外界信息的输入，不停的刺激的同时会根据信息的不同发生自身的调节，比如:通过不断的训练运动员学会了远动，不停的训练学会了骑自行车....等等吧这些人类的行为形成，其本质是通过不停的训练数百亿脑神经元形成的。而这些行为的沉淀之后就是正确结果导向。同样该算法也会通过X1、X2、X3....Xn这些元素不停的训练，进行自身的参数的调整来适应，同样训练次数的增加而形成一个正确的结果导向。这时候我们就可以利用它的自身适应过程产生正确的结果，而通过不断的训练使其具备学习功能，当然，该算法只是反映了人脑的若干基本特性，但并非生物系统的逼真描述，只是某种简单的模仿、简化和抽象。该算法不同数字计算机一样，会按照程序的一步一步地执行运算，而是能够自身适应环境、总结规律、完成某种运算、识别或控制过程，而这就是机器人的起源...人工智能的基础。神经网络算法原理由于神经网络算法的设计面太大，我们此处暂且只分析Microsoft神经网络算法的原理，在Microsoft神经网络算法中，我们可以简化成下面这个图片：Microsoft神经网络使用的由最多三层神经元组成的“多层感知器”网络，分别为：输入层、可选隐含层和输出层。输入层：输入神经元定义数据挖掘模型所有的输入属性值以及概率。隐含层：隐藏神经元接受来自输入神经元的输入，并向输出神经元提供输出。隐藏层是向各种输入概率分配权重的位置。权重说明某一特定宿儒对于隐藏神经元的相关性或重要性。输入所分配的权重越大，则输入值也就越重要。而这个过程可以描述为学习的过程。权重可为负值，表示输入抑制而不是促进某一特定结果。输出层：输出神经元代表数据挖掘模型的可预测属性值。数据从输入经过中间隐含层到输出，整个过程是一个从前向后的传播数据和信息的过程，后面一层节点上的数据值从与它相连接的前面节点传来，之后把数据加权之后经过一定的函数运算得到新的值，继续传播到下一层节点。这个过程就是一个前向传播过程。而当节点输出发生错误时，也就是和预期不同，神经网络就要自动“学习”，后一层节点对前一层节点一个“信任”程度（其实改变的就是连接件的权重），采取降低权重的方式来惩罚，如果节点输出粗粗哦，那就要查看这个错误的受那些输入节点的影响，降低导致出错的节点连接的权重，惩罚这些节点，同时提高那些做出正确建议节点的连接的权重。对那些受到惩罚的节点而说，也用同样的方法来惩罚它前面的节点，直到输入节点而止。这种称为：回馈。而我们学习的过程就是重复上面的介绍的流程，通过前向传播得到输入值，用回馈法进行学习。当把训练集中的所有数据运行过一遍之后，则称为一个训练周期。训练后得到神经网络模型，包含了训练集中相应值和受预测值影响变化的规律。在每个神经元中的隐含层中都有