人工神經網路歷史

❶ ann是什麼神經網路

人工神經網路。
ANN人工神經網路（ArtificialNeuralNetwork，ANN）簡稱神經網路或類神經網路。
人工神經網路（ArtificialNeuralNetwork，即ANN），是20世紀80年代以來人工智慧領域興起的研究熱點。它從信息處理角度對人腦神經元網路進行抽象，建立某種簡單模型，按不同的連接方式組成不同的網路。在工程與學術界也常直接簡稱為神經網路或類神經網路。神經網路是一種運算模型，由大量的節點（或稱神經元）之間相互聯接構成。每個節點代表一種特定的輸出函數，稱為激勵函數（activationfunction）。每兩個節點間的連接都代表一個對於通過該連接信號的加權值，稱之為權重，這相當於人工神經網路的記憶。網路的輸出則依網路的連接方式，權重值和激勵函數的不同而不同。而網路自身通常都是對自然界某種演算法或者函數的逼近，也可能是對一種邏輯策略的表達。最近十多年來，人工神經網路的研究工作不斷深入，已經取得了很大的進展，其在模式識別、智能機器人、自動控制、預測估計、生物、醫學、經濟等領域已成功地解決了許多現代計算機難以解決的實際問題，表現出了良好的智能特性。

❷ 人工神經網路是哪一年由誰提出來的

人工神經網路是1943年，心理學家W.S.McCulloch和數理邏輯學家W.Pitts提出來。

他們通過模型提出了神經元的形式化數學描述和網路結構方法，證明了單個神經元能執行邏輯功能，從而開創了人工神經網路研究的時代。

1949年，心理學家提出了突觸聯系強度可變的設想。60年代，人工神經網路得到了進一步發展，更完善的神經網路模型被提出，其中包括感知器和自適應線性元件等。M.Minsky等仔細分析了以感知器為代表的神經網路系統的功能及局限後，於1969年出版了《Perceptron》一書，指出感知器不能解決高階謂詞問題。

(2)人工神經網路歷史擴展閱讀

人工神經網路的特點和優越性，主要表現在三個方面：

第一，具有自學習功能。例如實現圖像識別時，只在先把許多不同的圖像樣板和對應的應識別的結果輸入人工神經網路，網路就會通過自學習功能，慢慢學會識別類似的圖像。自學習功能對於預測有特別重要的意義。

預期未來的人工神經網路計算機將為人類提供經濟預測、市場預測、效益預測，其應用前途是很遠大的。

第二，具有聯想存儲功能。用人工神經網路的反饋網路就可以實現這種聯想。

第三，具有高速尋找優化解的能力。尋找一個復雜問題的優化解，往往需要很大的計算量，利用一個針對某問題而設計的反饋型人工神經網路，發揮計算機的高速運算能力，可能很快找到優化解。

❸ 人工神經網路的發展歷史

1943年，心理學家W.S.McCulloch和數理邏輯學家W.Pitts建立了神經網路和數學模型，稱為MP模型。他們通過MP模型提出了神經元的形式化數學描述和網路結構方法，證明了單個神經元能執行邏輯功能，從而開創了人工神經網路研究的時代。1949年，心理學家提出了突觸聯系強度可變的設想。60年代，人工神經網路得到了進一步發展，更完善的神經網路模型被提出，其中包括感知器和自適應線性元件等。M.Minsky等仔細分析了以感知器為代表的神經網路系統的功能及局限後，於1969年出版了《Perceptron》一書，指出感知器不能解決高階謂詞問題。他們的論點極大地影響了神經網路的研究，加之當時串列計算機和人工智慧所取得的成就，掩蓋了發展新型計算機和人工智慧新途徑的必要性和迫切性，使人工神經網路的研究處於低潮。在此期間，一些人工神經網路的研究者仍然致力於這一研究，提出了適應諧振理論（ART網）、自組織映射、認知機網路，同時進行了神經網路數學理論的研究。以上研究為神經網路的研究和發展奠定了基礎。1982年，美國加州工學院物理學家J.J.Hopfield提出了Hopfield神經網格模型，引入了「計算能量」概念，給出了網路穩定性判斷。 1984年，他又提出了連續時間Hopfield神經網路模型，為神經計算機的研究做了開拓性的工作，開創了神經網路用於聯想記憶和優化計算的新途徑，有力地推動了神經網路的研究，1985年，又有學者提出了波耳茲曼模型，在學習中採用統計熱力學模擬退火技術，保證整個系統趨於全局穩定點。1986年進行認知微觀結構地研究，提出了並行分布處理的理論。1986年，Rumelhart, Hinton, Williams發展了BP演算法。Rumelhart和McClelland出版了《Parallel distribution processing: explorations in the microstructures of cognition》。迄今，BP演算法已被用於解決大量實際問題。1988年，Linsker對感知機網路提出了新的自組織理論，並在Shanon資訊理論的基礎上形成了最大互信息理論，從而點燃了基於NN的信息應用理論的光芒。1988年，Broomhead和Lowe用徑向基函數(Radial basis function, RBF)提出分層網路的設計方法，從而將NN的設計與數值分析和線性適應濾波相掛鉤。90年代初，Vapnik等提出了支持向量機(Support vector machines, SVM)和VC(Vapnik-Chervonenkis)維數的概念。人工神經網路的研究受到了各個發達國家的重視，美國國會通過決議將1990年1月5日開始的十年定為「腦的十年」，國際研究組織號召它的成員國將「腦的十年」變為全球行為。在日本的「真實世界計算（RWC）」項目中，人工智慧的研究成了一個重要的組成部分。

❹ 神經網路模型發展歷史

1943年，心理學家W.S. McCulloch與數理邏輯學家W.Pitts的創新合作，提出了神經網路和數學模型，即著名的MP模型。他們通過這一模型首次以形式化的數學描述和網路結構方法，展示了單個神經元執行邏輯功能的能力，這一發現標志著人工神經網路研究的開端。

1949年，心理學家提出神經元突觸聯系強度可變的設想，為神經網路的動態特性鋪平了道路。進入60年代，人工神經網路技術有了顯著提升，如感知器和自適應線性元件等更完善的模型相繼出現。然而，M.Minsky等人的《Perceptron》一書指出，感知器存在處理高階邏輯問題的局限性，導致神經網路研究一度陷入低谷，盡管串列計算機和人工智慧的成就影響了當時的研究視野。

盡管如此，神經網路研究並未停滯，ART網、自組織映射和認知機網路等新型理論被提出，同時，數學理論研究也取得進展。1982年，J.J.Hopfield的Hopfield神經網格模型引入了「計算能量」概念，為網路穩定性提供了判斷依據。1984年，他進一步提出了連續時間Hopfield神經網路模型，為神經計算機的發展開啟了新篇章，特別是對聯想記憶和優化計算的應用具有重大意義。

1985年，波耳茲曼模型採用統計熱力學方法改進學習過程，確保系統趨向全局穩定。1986年，認知微觀結構的研究強調了並行分布處理的重要性。進入90年代，脈沖耦合神經網路模型的提出進一步豐富了神經網路的理論體系。這一時期，全球范圍內對人工神經網路的研究愈發重視，美國國會甚至將「腦的十年」定為國家戰略，日本的RWC項目中，人工智慧研究成為了關鍵部分。

模擬人類實際神經網路的數學方法問世以來，人們已慢慢習慣了把這種人工神經網路直接稱為神經網路。神經網路在系統辨識、模式識別、智能控制等領域有著廣泛而吸引人的前景，特別在智能控制中，人們對神經網路的自學習功能尤其感興趣，並且把神經網路這一重要特點看作是解決自動控制中控制器適應能力這個難題的關鍵鑰匙之一。