人工網路

以訊號與資訊處理、模式識別與智慧系統等學科為背景，對人工神經網路的基礎知識作了介紹，具體包括前向多層網路、Hopfield網路、波爾茲曼機（BM）網路簡介、自組織特徵對映網路（SOFM）、ART網路等。該書可供各大專院校作為教材使用，也可供從事相關工作的人員作為參考用書使用。

人工神經網路（ANN）或聯結主義系統是受構成動物大腦的生物神經網路的啟發但不完全相同的計算系統。這種系統透過例子來“學習”執行任務，而不用特定於任務的規則進行程式設計。例如，在影象識別中，人工神經網路可能會透過分析一些影象樣本來學習識別包含貓的影象，這些影象被手工標記為“貓”或“不是貓”，並使用結果識別在其他影象中的貓。他們這樣做是在沒有貓的任何先驗知識的情況下進行的，例如，它們有毛皮，尾巴，鬍鬚和類似貓的臉。相反，人工神經網路會自動從它們處理的學習材料中生成識別特徵。

人工神經網路是基於稱為人工神經元的連線單元或節點所構成的集合，這些單元或節點鬆散地模擬生物大腦中的神經元。像生物大腦中的突觸一樣，每個連線可以將訊號從一個人工神經元傳輸到另一個人工神經元。接收訊號的人工神經元可以對其進行處理，然後向與之相連的附加人造神經元發出訊號。

在常見的人工神經網路實現中，人造神經元之間連線處的訊號是一個實數，每個人工神經元的輸出由它的輸入之和的一些非線性函式計算。人造神經元之間的聯結被稱為“邊”。人造神經元和邊通常具有隨著學習進行而調整的權重。權重可以增加或減少連線處的訊號強度。人造神經元可能有一個閾值，使得只有當總訊號超過該閾值時才傳送訊號。典型的神經網路中 ，每一層都由多個人造神經元聚合而成。不同的層可以對它們的輸入執行不同種類的轉換。訊號從第一層(輸入層)傳播到最後一層(輸出層)，可能在這過程之間會多次穿過這些層。

人工神經網路方法的最初目標是以與人腦相同的方式解決問題。然而，隨著時間的推移，人們的注意力轉移到了執行特定的任務上，從而逐漸偏離了生物學。人工神經網路已被用於各種任務，包括計算機視覺、語音識別、機器翻譯、社交網路過濾、玩棋盤和電子遊戲和醫學診斷。