神经网络(也称人工神经网络)是一种自适应系统,它通过类似人脑的分层结构,使用相互连接的节点或神经元进行学习。神经网络可以从数据中学习,因此可以训练它识别模式,对数据进行分类,并预测未来事件。
神经网络将输入分解成抽象层。例如,它可以像人类大脑一样,通过许多例子训练来识别语言或图像中的模式。它的行为是由其各个元素的连接方式以及这些连接的强度或权重来定义的。在训练过程中,这些权重会根据指定的学习规则自动调整,直到人工神经网络正确地执行所需的任务。
受生物神经系统的启发,神经网络结合了几个处理层,使用简单的元素并行操作。网络由一个输入层、一个或多个隐藏层和一个输出层组成。每一层都有几个节点或神经元,每一层的节点使用前一层所有节点的输出作为输入,使得所有神经元通过不同的层相互连接。每个神经元通常都被赋予一个权重,在学习过程中调整权重,权重的减少或增加会改变该神经元信号的强度。
与其他机器学习算法一样:
第一个也是最简单的神经网络是感知器,由Frank Rosenblatt在1958年提出。它由单个神经元和一个具有s形激活函数的线性回归模型组成。从那时起,越来越复杂的神经网络被探索,导致了今天的深层网络,它可以包含数百层。
深度学习是指多层神经网络,而只有两到三层连接神经元的神经网络也被称为浅神经网络。深度学习之所以变得流行,是因为它消除了从图像中提取特征的需要,而这在以前对机器学习在图像和信号处理中的应用提出了挑战。然而,尽管在图像处理应用中可以忽略特征提取,但一些形式的特征提取仍然普遍应用于信号处理任务,以提高模型的精度。
工程应用中常用的神经网络类型包括:
你可以在这里了解更多关于深度学习的信息:
MATLAB®为机器学习,神经网络,深度学习,计算机视觉和自动驾驶应用提供专业工具箱。
只需几行代码,MATLAB就可以让您开发神经网络,而无需成为专家。快速入门,创建并可视化神经网络模型,将它们集成到现有的应用程序中,并将它们部署到服务器、企业系统、集群、云和嵌入式设备中。
开发人工智能应用,特别是神经网络,通常包括以下步骤: