自我总结神经计算

神经系统的基本计算单位是神经细胞或神经元。生物神经元
有。
•树突（输入）神经元
•细胞体
•轴突（输出）

人工神经网络是受人类神经启发的连接主义者大规模并行系统系统。它的单位神经元通过称为突触相互连接。每个神经元作为主要的计算单位，它仅执行一个非常简单的操作：将其加权输入求和，对总和应用特定的激活函数。然后，该值表示神经元的输出。如此大的简化（根据生物学神经元），被认为是合理的足够，并且已成功用于多种类型的人工神经网络（Fausett 1994）。

神经元X i获得输入信号x i和连接权重w i的相关权重，该值可选地称为添加偏差b i以便相对于原点移动总和。计算输入的加权和然后加上偏差，以便我们获得一个称为刺激或神经元s i的内部电位的值。后它通过激活函数f转换为输出值o i，

前馈网络，其中从输入单元到输出单元的数据流为严格前馈。数据处理可以扩展到多个（层）单元，但不能存在反馈连接，即从单元输出扩展到
同一层或先前层中单元的输入。

循环网络包含反馈连接。与前馈相反网络，网络的动态属性很重要。在某些情况下，单元的激活值经过松弛过程，因此网络将演化进入稳定状态，其中这些激活不再更改。在其他应用中输出神经元激活值的变化非常明显，因此动态行为构成了网络的输出

感知器是最简单的人工神经网络，它是线性的，并且基于阈值θ传递函数。感知器只能用二进制对线性可分离的案例进行分类目标1或0。

感知器算法由弗兰克（Frank）于1957年在康奈尔航空实验室发明罗森布拉特（Beale and Jackson 1992）。单层感知器没有先验知识，因此初始权重是随机分配的。感知器对所有加权输入求和，如果总和高于阈值（一些预定值），则表示已激活（输出= 1）

输入值会显示给感知器，并且预测的输出是否与所需的输出相同输出，则认为性能令人满意，并且未更改权重。然而，如果输出与所需输出不匹配，则需要更改权重以减少误差。

人工神经网络训练
必须配置神经网络，以便产生一组输入的应用（“直接”或通过放松过程）所需的一组输出。设置力量的各种方法连接存在。一种方法是使用先验知识明确设置权重。另一种方法是通过提供教学模式并根据其权重改变来“训练”神经网络一些学习规则。
我们可以将学习情况分为两种不同的类型。这些是：
• 监督学习或联合学习，通过提供网络来训练网络
输入和匹配的输出模式。这些输入输出对可以由
外部老师或包含网络的系统（自我监督）。
• 无监督的学习或自我组织，其中训练（输出）单位以响应
输入中的模式簇。在这种范式中，系统应该发现
输入人口的统计显着特征。与监督学习不同
范例中，没有先验的类别可以将模式分类；
相反，系统必须开发自己的输入刺激表示