⑴ 神經網路的特點

不論何種類型的人工神經網路，它們共同的特點是，大規模並行處理，分布式專存儲，彈性拓撲屬，高度冗餘和非線性運算。因而具有很髙的運算速度，很強的聯想能力，很強的適應性，很強的容錯能力和自組織能力。這些特點和能力構成了人工神經網路模擬智能活動的技術基礎，並在廣闊的領域獲得了重要的應用。例如，在通信領域，人工神經網路可以用於數據壓縮、圖像處理、矢量編碼、差錯控制（糾錯和檢錯編碼）、自適應信號處理、自適應均衡、信號檢測、模式識別、ATM流量控制、路由選擇、通信網優化和智能網管理等等。
人工神經網路的研究已與模糊邏輯的研究相結合，並在此基礎上與人工智慧的研究相補充，成為新一代智能系統的主要方向。這是因為人工神經網路主要模擬人類右腦的智能行為而人工智慧主要模擬人類左腦的智能機理，人工神經網路與人工智慧有機結合就能更好地模擬人類的各種智能活動。新一代智能系統將能更有力地幫助人類擴展他的智力與思維的功能，成為人類認識和改造世界的聰明的工具。因此，它將繼續成為當代科學研究重要的前沿。

⑵ 神經網路優缺點，

首先來看一下神經網路的缺點：

1. 黑盒子
神經網路最可能被人知曉的缺點是它們的「黑盒子」性質（也就是說你不知道神經網路是如何以及為什麼會產生一定的輸出）。例如，當你將一張貓的圖像放入神經網路，預測結果顯示它是一輛汽車時，這讓人很難理解。而在某些領域，可解釋性非常重要。
很多銀行之所以不使用神經網路來預測一個人是否有信譽，是因為他們需要向客戶解釋為什麼他們沒有獲得貸款。像Quora這樣的網站也是如此。如果他們因為機器學習演算法而決定刪除用戶賬戶，他們需要向用戶解釋為什麼這樣做。

如果將機器學習運用與重要的商業決策時，你能想像一個大公司的首席執行官會在不明白為什麼應該完成的情況下做出數百萬美元的決定嗎？僅僅因為「計算機」說他需要這樣做？

2. 發展的可持續時間
雖然有像Keras這樣的庫，讓神經網路的開發變得相當簡單，但有時您需要更多地控制演算法的細節。您可能還會使用到Tensorflow，但是由於它相對復雜，開發需要的時間也更長。對於公司管理層來說，如果用簡單的演算法就可以更快地解決問題，則讓他們花高昂的費用和較長的時間去開發一些東西，顯然是不合適的。
3. 數據量

與傳統的機器學習演算法相比，神經網路通常需要更多的數據，至少需要數千數百萬個標記樣本。而如果使用其它演算法，許多機器學習問題可以用較少的數據很好地解決。

雖然在某些情況下，神經網路需要處理少量數據（大多數情況下它們不需要）。而像樸素貝葉斯這樣的簡單演算法也可以很好地處理少數數據。

4. 計算代價高昂
通常，神經網路比傳統演算法的計算代價更高。對於最先進的深度學習演算法，完成深度神經網路從頭到尾的完整訓練，可能需要幾周的時間。而大多數傳統的機器學習演算法則只需要少於幾分鍾到幾個小時或幾天的時間即可。

神經網路所需的計算能力很大程度上取決於數據的大小，同時也取決於網路的深度和復雜程度。

然後就是神經網路的優點：
ANN 有能力學習和構建非線性的復雜關系的模型，這非常重要，因為在現實生活中，許多輸入和輸出之間的關系是非線性的、復雜的。
ANN 可以推廣，在從初始化輸入及其關系學習之後，它也可以推斷出從未知數據之間的未知關系，從而使得模型能夠推廣並且預測未知數據。

與許多其他預測技術不同，ANN 不會對輸入變數施加任何限制（例如：如何分布）。此外，許多研究表明，ANN 可以更好地模擬異方差性，即具有高波動性和不穩定方差的數據，因為它具有學習數據中隱藏關系的能力，而不在數據中強加任何固定關系。這在數據波動非常大的金融時間序列預測中非常有用。
神經網路的發展主要為：啟蒙時期（1890-1969），低潮時期（1969-1982），復興時期（1982-1986），新時期（1986至今）

⑶ 神經網路和支持向量機的優缺點！

SVM有如下主要幾個特點：
(1)非線性映射是SVM方法的理論基礎,SVM利用內積核函數代替向高維空間的非線性映射；
(2)對特徵空間劃分的最優超平面是SVM的目標,最大化分類邊際的思想是SVM方法的核心；
(3)支持向量是SVM的訓練結果,在SVM分類決策中起決定作用的是支持向量。
(4)SVM 是一種有堅實理論基礎的新穎的小樣本學習方法。它基本上不涉及概率測度及大數定律等,因此不同於現有的統計方法。從本質上看,它避開了從歸納到演繹的傳統過程,實現了高效的從訓練樣本到預報樣本的「轉導推理」,大大簡化了通常的分類和回歸等問題。
(5)SVM 的最終決策函數只由少數的支持向量所確定,計算的復雜性取決於支持向量的數目,而不是樣本空間的維數,這在某種意義上避免了「維數災難」。
(6)少數支持向量決定了最終結果,這不但可以幫助我們抓住關鍵樣本、「剔除」大量冗餘樣本,而且註定了該方法不但演算法簡單,而且具有較好的「魯棒」性。這種「魯棒」性主要體現在:
①增、刪非支持向量樣本對模型沒有影響;
②支持向量樣本集具有一定的魯棒性;
③有些成功的應用中,SVM 方法對核的選取不敏感

兩個不足：
(1) SVM演算法對大規模訓練樣本難以實施
由於SVM是藉助二次規劃來求解支持向量，而求解二次規劃將涉及m階矩陣的計算（m為樣本的個數），當m數目很大時該矩陣的存儲和計算將耗費大量的機器內存和運算時間。針對以上問題的主要改進有有J.Platt的SMO演算法、T.Joachims的SVM、C.J.C.Burges等的PCGC、張學工的CSVM以及O.L.Mangasarian等的SOR演算法
(2) 用SVM解決多分類問題存在困難
經典的支持向量機演算法只給出了二類分類的演算法，而在數據挖掘的實際應用中，一般要解決多類的分類問題。可以通過多個二類支持向量機的組合來解決。主要有一對多組合模式、一對一組合模式和SVM決策樹；再就是通過構造多個分類器的組合來解決。主要原理是克服SVM固有的缺點，結合其他演算法的優勢，解決多類問題的分類精度。如：與粗集理論結合，形成一種優勢互補的多類問題的組合分類器。

⑷ 人工智慧有哪幾個主要學派

目前人工智慧的主要學派有下面三家：
(1)符號主義(symbolicism)，又稱為邏輯主義(logicism)、心理學派(psychologism)或計算機學派(computerism)，其原理主要為物理符號系統(即符號操作系統)假設和有限合理性原理。
(2)連接主義(connectionism)，又稱為仿生學派(bionicsism)或生理學派(physiologism)，其主要原理為神經網路及神經網路間的連接機制與學習演算法。
(3)行為主義(actionism)，又稱為進化主義(evolutionism)或控制論學派(cyberneticsism)，其原理為控制論及感知-動作型控制系統。
他們對人工智慧發展歷史具有不同的看法。
1、符號主義認為人工智慧源於數理邏輯。數理邏輯從19世紀末起得以迅速發展，到20世紀30年代開始用於描述智能行為。計算機出現後，又再計算機上實現了邏輯演繹系統。其有代表性的成果為啟發式程序LT邏輯理論家，證明了38條數學定理，表了可以應用計算機研究人的思維多成，模擬人類智能活動。正是這些符號主義者，早在1956年首先採用「人工智慧」這個術語。後來又發展了啟發式演算法->專家系統->知識工程理論與技術，並在20世紀80年代取得很大發展。符號主義曾長期一枝獨秀，為人工智慧的發展作出重要貢獻，尤其是專家系統的成功開發與應用，為人工智慧走向工程應用和實現理論聯系實際具有特別重要的意義。在人工智慧的其他學派出現之後，符號主義仍然是人工智慧的主流派別。這個學派的代表任務有紐厄爾(Newell)、西蒙(Simon)和尼爾遜(Nilsson)等。
2、連接主義認為人工智慧源於仿生學，特別是對人腦模型的研究。它的代表性成果是1943年由生理學家麥卡洛克(McCulloch)和數理邏輯學家皮茨(Pitts)創立的腦模型，即MP模型，開創了用電子裝置模仿人腦結構和功能的新途徑。它從神經元開始進而研究神經網路模型和腦模型，開辟了人工智慧的又一發展道路。20世紀60~70年代，連接主義，尤其是對以感知機(perceptron)為代表的腦模型的研究出現過熱潮，由於受到當時的理論模型、生物原型和技術條件的限制，腦模型研究在20世紀70年代後期至80年代初期落入低潮。直到Hopfield教授在1982年和1984年發表兩篇重要論文，提出用硬體模擬神經網路以後，連接主義才又重新抬頭。1986年，魯梅爾哈特(Rumelhart)等人提出多層網路中的反向傳播演算法(BP)演算法。此後，連接主義勢頭大振，從模型到演算法，從理論分析到工程實現，偉神經網路計算機走向市場打下基礎。現在，對人工神經網路(ANN)的研究熱情仍然較高，但研究成果沒有像預想的那樣好。
3、行為主義認為人工智慧源於控制論。控制論思想早在20世紀40~50年代就成為時代思潮的重要部分，影響了早期的人工智慧工作者。維納(Wiener)和麥克洛克(McCulloch)等人提出的控制論和自組織系統以及錢學森等人提出的工程式控制制論和生物控制論，影響了許多領域。控制論把神經系統的工作原理與信息理論、控制理論、邏輯以及計算機聯系起來。早期的研究工作重點是模擬人在控制過程中的智能行為和作用，如對自尋優、自適應、自鎮定、自組織和自學習等控制論系統的研究，並進行「控制論動物」的研製。到20世紀60~70年代，上述這些控制論系統的研究取得一定進展，播下智能控制和智能機器人的種子，並在20世紀80年代誕生了智能控制和智能機器人系統。行為主義是20世紀末才以人工智慧新學派的面孔出現的，引起許多人的興趣。這一學派的代表作者首推布魯克斯(Brooks)的六足行走機器人，它被看作是新一代的「控制論動物」，是一個基於感知-動作模式模擬昆蟲行為的控制系統

⑸ 人工智慧和神經網路有什麼聯系與區別

聯系：都是模仿人類行為的數學模型以及演算法。神經網路的研究能促進或回者加快人工智慧答的發展。

區別如下：

一、指代不同

1、人工智慧：是研究、開發用於模擬、延伸和擴展人的智能的理論、方法、技術及應用系統的一門新的技術科學。

2、神經網路：是一種模仿動物神經網路行為特徵，進行分布式並行信息處理的演算法數學模型。


二、方法不同

1、人工智慧：企圖了解智能的實質，並生產出一種新的能以人類智能相似的方式做出反應的智能機器，該領域的研究包括機器人、語言識別、圖像識別、自然語言處理和專家系統等。

2、神經網路：依靠系統的復雜程度，通過調整內部大量節點之間相互連接的關系，從而達到處理信息的目的。

三、目的不同

1、人工智慧：主要目標是使機器能夠勝任一些通常需要人類智能才能完成的復雜工作。

2、神經網路：具有初步的自適應與自組織能力。在學習或訓練過程中改變突觸權重值，以適應周圍環境的要求。同一網路因學習方式及內容不同可具有不同的功能。

⑹ 人工智慧的利與弊辯論

現在的人工智慧的技術大概還處於初級階段。主要還是以指令的形式進行控制而已。

沒有自主意識的人工智慧還不足畏懼，還沒有什麼不利於人類的災害產生。弊端還不是太明顯。好處應該還不少。

人工智慧的利就是服務人類，讓我們解放自己，各方面都有發展。工業生產現場，各種機器人的使用，解放了我們的勞動力，還能不知疲倦的不停的工作。弊端就是我們的飯碗沒了，都被機器所代替。

服務行業的服務機器人，給我們提供了生活上的各種便利，各種指令形式各異。聲控，手勢，意念等很多方式。這種應用應該沒有什麼弊端的。

將來的人工智慧的發展，是越來越高級，就像電影里的那些機器人。他們擁有自己的思維，會思考，控制方式不僅是我們發的指令了，有可能機器人自己給自己發指令了。

這樣的高級的人工智慧，有利的方面是他們可以自主思考問題，解決問題，力量大，不知疲倦的幫我們人類工作。

而不好的方面也就是弊端是，機器有了自己的思維，思考，會不會想到自己為什麼要聽你們人類的話，人類控制的許可權被自動刪除，造反怎麼辦。這個局面是我們人類不想看到的。但是我們還是在研究，很想讓機器有自己的思維，會思考，這也是我們人類能發展到現在的原因吧。喜歡研究研究。動動腦子，使大腦更發達。也在朝著機器大腦的進化而努力。

⑺ 人工智慧神經網路

1.
x=2.0,w=2.3,b=-3
y=wx+b=1.6
1)硬極限就是大於0就是1，小於等於0就取0，所以答案是1
2)線性函數輸入回是多少，輸答出就是多少，所以答案是1.6
3)對數-S型函數，應該是應用sigmoid函數，y=1/(1+e^(-1.6))=0.832

2.你打錯字了？把「是」打成「時」了？
x=2.0,w=2.3,b=-3
y=wx+b=1.6
1)傳輸函數的凈輸入是1.6

2)神經元的輸出是1.6(沒有給傳輸函數是啥，所以這個可能是沒有經過傳輸函數的輸出吧。)

3.
1)6個輸入，2個輸出，所以有8個神經元。
2)6個w，所以是6維
3)採用sigmoid函數，輸出就會是0和1之間的連續值了。
4)為了使網路具有更好的性能,可以提高容錯性和存儲容量，可以採用偏值

以上答案僅供參考。第一題應該沒有問題，後兩題不太確定。

⑻ 神經網路 人工智慧

我本科是學自動化的，研究生讀的是控制工程與控制理論，也就是本科自動化專業的對口研究生專業，課題研究的就是神經網路，對這個東西是又愛又恨！人工智慧是我們主修的一門課程，神經網路只是人工智慧的多種方法中的一種，人工智慧是很博大精深的一個領域。但同樣是學自動化專業，課題不同，你也可以選擇不學人工只能。如果要學人工智慧，那肯定是首選自動化了。不過本科是不開設這門課程的，最多是選修課大致講一講那種，要想伸入學只能讀研究生了，要不就自學，如果你腦瓜非常靈光的話！呵呵課題研究的就是神經網路，對這個東西是又愛又恨！

⑼ 人工神經網路的特點有哪些

人工神經網路抄的特襲點和優越性，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。

人工神經網路突出的優點：
(1)可以充分逼近任意復雜的非線性關系；
(2)所有定量或定性的信息都等勢分布貯存於網路內的各神經元，故有很強的魯棒性和容錯性；
(3)採用並行分布處理方法，使得快速進行大量運算成為可能；
(4)可學習和自適應不知道或不確定的系統；
(5)能夠同時處理定量、定性知識。