（三）人工神经网络的工作过程及其特点

人工神经网络的工作过程
和人的认知过程一样，人工神经网络存在学习的过程。在神经网络结构图中，在信号的传递过程中要不断进行加权处理，即确定系统各个输入对系统性能的影响程度，这些加权值是通过对系统样本数据的学习确定的。
当给定神经网络一组已知的知识，在特定的输入信号下，反复运算网络中的连接权值，使其得到期望的输出结果，这一过程成为学习过程。
对于前馈型神经网络，它从样本数据中取得训练样本及目标输出值，然后将这些训练样本当做网络的输入，利用最速下降法反复调整网络的连接权值，使网络的实际输出和目标输出值一致。当输入一个非样本数据时，已学习的神经网络就可以给出系统最可能的输出值。典型的前馈型神经网络结构是 BP 神经网络，如下图所示。

人工神经网络的特点：
（1）并行数据处理
人工神经网络采用大量并行计算方式，经由不同的人工神经元来做运算处理。因此，用硬件实现的神经网络的处理速度远远高于通常计算机的处理速度。
（2）容错能力强
人工神经网络在运作是具有很强的容错能力，即使输入信号“不完整”或者“带有噪声”，也不会影响其运作的正确性。而且即使有部分人工神经元损坏，也不会影响整个神经网络的整体性能。
（3）具有泛化能力
通过记忆已知样本数据，对其他信号进行计算，计算该输入相对应的输出值。
（4）可实现最优化计算
神经网络可在约束条件下，使整个设计目标达到最优化状态。
（5）具有自适应能力
神经网络可以根据系统提供的样本数据，通过学习和训练，找出和输出之间的内在联系，从而求得问题的解，而不是依赖对问题的经验知识和规则，因此具有很好地适应性。