社会神经网络有哪些,神经网络的神经网络

神经网络的发展趋势如何？

。

神经网络的云集成模式还不是很成熟，应该有发展潜力，但神经网络有自己的硬伤，不知道能够达到怎样的效果，所以决策支持系统中并不是很热门，但是神经网络无视过程的优点也是无可替代的，云网络如果能够对神经网络提供一个互补的辅助决策以控制误差的话，也许就能使神经网络成熟起来1人工神经网络产生的背景自古以来，关于人类智能本源的奥秘，一直吸引着无数哲学家和自然科学家的研究热情。

生物学家、神经学家经过长期不懈的努力，通过对人脑的观察和认识，认为人脑的智能活动离不开脑的物质基础，包括它的实体结构和其中所发生的各种生物、化学、电学作用，并因此建立了神经元网络理论和神经系统结构理论，而神经元理论又是此后神经传导理论和大脑功能学说的基础。

在这些理论基础之上，科学家们认为，可以从仿制人脑神经系统的结构和功能出发，研究人类智能活动和认识现象。

另一方面，19世纪之前，无论是以欧氏几何和微积分为代表的经典数学，还是以牛顿力学为代表的经典物理学，从总体上说，这些经典科学都是线性科学。

然而，客观世界是如此的纷繁复杂，非线性情况随处可见，人脑神经系统更是如此。复杂性和非线性是连接在一起的，因此，对非线性科学的研究也是我们认识复杂系统的关键。

为了更好地认识客观世界，我们必须对非线性科学进行研究。人工神经网络作为一种非线性的、与大脑智能相似的网络模型，就这样应运而生了。

所以，人工神经网络的创立不是偶然的，而是20世纪初科学技术充分发展的产物。2人工神经网络的发展人工神经网络的研究始于40年代初。半个世纪以来，经历了兴起、高潮与萧条、高潮及稳步发展的远为曲折的道路。

1943年，心理学家W.S.Mcculloch和数理逻辑学家W.Pitts提出了M—P模型，这是第一个用数理语言描述脑的信息处理过程的模型，虽然神经元的功能比较弱，但它为以后的研究工作提供了依据。

1949年，心理学家提出突触联系可变的假设，根据这一假设提出的学习规律为神经网络的学习算法奠定了基础。

1957年，计算机科学家Rosenblatt提出了著名的感知机模型，它的模型包含了现代计算机的一些原理，是第一个完整的人工神经网络，第一次把神经网络研究付诸工程实现。

由于可应用于模式识别，联想记忆等方面，当时有上百家实验室投入此项研究，美国军方甚至认为神经网络工程应当比“原子弹工程”更重要而给予巨额资助，并在声纳信号识别等领域取得一定成绩。

1960年，B.Windrow和E.Hoff提出了自适应线性单元，它可用于自适应滤波、预测和模式识别。至此，人工神经网络的研究工作进入了第一个高潮。

1969年，美国著名人工智能学者M.Minsky和S.Papert编写了影响很大的Perceptron一书，从理论上证明单层感知机的能力有限，诸如不能解决异或问题，而且他们推测多层网络的感知机能力也不过如此，他们的分析恰似一瓢冷水，很多学者感到前途渺茫而纷纷改行，原先参与研究的实验室纷纷退出，在这之后近10年，神经网络研究进入了一个缓慢发展的萧条期。

这期间，芬兰学者T.Kohonen提出了自组织映射理论，反映了大脑神经细胞的自组织特性、记忆方式以及神经细胞兴奋刺激的规律；美国学者S.A.Grossberg的自适应共振理论（ART）；日本学者K.Fukushima提出了认知机模型；ShunIchimari则致力于神经网络有关数学理论的研究等，这些研究成果对以后的神经网络的发展产生了重要影响。

美国生物物理学家J.J.Hopfield于1982年、1984年在美国科学院院刊发表的两篇文章，有力地推动了神经网络的研究，引起了研究神经网络的又一次热潮。

1982年，他提出了一个新的神经网络模型——hopfield网络模型。他在这种网络模型的研究中，首次引入了网络能量函数的概念，并给出了网络稳定性的判定依据。

1984年，他又提出了网络模型实现的电子电路，为神经网络的工程实现指明了方向，他的研究成果开拓了神经网络用于联想记忆的优化计算的新途径，并为神经计算机研究奠定了基础。

1984年Hinton等人将模拟退火算法引入到神经网络中，提出了Boltzmann机网络模型，BM网络算法为神经网络优化计算提供了一个有效的方法。

1986年，D.E.Rumelhart和J.LMcclelland提出了误差反向传播算法，成为至今为止影响很大的一种网络学习方法。

1987年美国神经计算机专家R.Hecht—Nielsen提出了对向传播神经网络，该网络具有分类灵活，算法简练的优点，可用于模式分类、函数逼近、统计分析和数据压缩等领域。

1988年L.Ochua等人提出了细胞神经网络模型，它在视觉初级加工上得到了广泛应用。为适应人工神经网络的发展，1987年成立了国际神经网络学会，并决定定期召开国际神经网络学术会议。

1988年1月NeuralNetwork创刊。1990年3月IEEETransactiononNeuralNetwork问世。

我国于1990年12月在北京召开了首届神经网络学术大会，并决定以后每年召开一次。1991年在南京成立了中国神经网络学会。IEEE与INNS联合召开的IJCNN92已在北京召开。

这些为神经网络的研究和发展起了推波助澜的作用，人工神经网络步入了稳步发展的时期。90年代初，诺贝尔奖获得者Edelman提出了Darwinism模型，建立了神经网络系统理论。

同年，Aihara等在前人推导和实验的基础上，给出了一个混沌神经元模型，该模型已成为一种经典的混沌神经网络模型，该模型可用于联想记忆。

Wunsch在90OSA年会上提出了一种AnnualMeeting，用光电执行ART，学习过程有自适应滤波和推理功能，具有快速和稳定的学习特点。

1991年，Hertz探讨了神经计算理论，对神经网络的计算复杂性分析具有重要意义；Inoue等提出用耦合的混沌振荡子作为某个神经元，构造混沌神经网络模型，为它的广泛应用前景指明了道路。

1992年，Holland用模拟生物进化的方式提出了遗传算法，用来求解复杂优化问题。1993年方建安等采用遗传算法学习，研究神经网络控制器获得了一些结果。

1994年Angeline等在前人进化策略理论的基础上，提出一种进化算法来建立反馈神经网络，成功地应用到模式识别，自动控制等方面；廖晓昕对细胞神经网络建立了新的数学理论和方法，得到了一系列结果。

HayashlY根据动物大脑中出现的振荡现象，提出了振荡神经网络。

1995年Mitra把人工神经网络与模糊逻辑理论、生物细胞学说以及概率论相结合提出了模糊神经网络，使得神经网络的研究取得了突破性进展。

Jenkins等人研究光学神经网络，建立了光学二维并行互连与电子学混合的光学神经网络，它能避免网络陷入局部最小值，并最后可达到或接近最理想的解；SoleRV等提出流体神经网络，用来研究昆虫社会，机器人集体免疫系统，启发人们用混沌理论分析社会大系统。

1996年，ShuaiJW’等模拟人脑的自发展行为，在讨论混沌神经网络的基础上提出了自发展神经网络。

1997、1998年董聪等创立和完善了广义遗传算法，解决了多层前向网络的最简拓朴构造问题和全局最优逼近问题。

随着理论工作的发展，神经网络的应用研究也取得了突破性进展，涉及面非常广泛，就应用的技术领域而言有计算机视觉，语言的识别、理解与合成，优化计算，智能控制及复杂系统分析，模式识别，神经计算机研制，知识推理专家系统与人工智能。

涉及的学科有神经生理学、认识科学、数理科学、心理学、信息科学、计算机科学、微电子学、光学、动力学、生物电子学等。美国、日本等国在神经网络计算机软硬件实现的开发方面也取得了显著的成绩，并逐步形成产品。

在美国，神经计算机产业已获得军方的强有力支持，国防部高级研究计划局认为“神经网络是解决机器智能的唯一希望”，仅一项8年神经计算机计划就投资4亿美元。

在欧洲共同体的ESPRIT计划中，就有一项特别项目：“神经网络在欧洲工业中的应用”，单是生产神经网络专用芯片这一项就投资2200万美元。据美国资料声称，日本在神经网络研究上的投资大约是美国的4倍。

我国也不甘落后，自从1990年批准了南开大学的光学神经计算机等3项课题以来，国家自然科学基金与国防预研基金也都为神经网络的研究提供资助。

另外，许多国际著名公司也纷纷卷入对神经网络的研究，如Intel、IBM、Siemens、HNC。神经计算机产品开始走向商用阶段，被国防、企业和科研部门选用。

在举世瞩目的海湾战争中，美国空军采用了神经网络来进行决策与控制。在这种刺激和需求下，人工神经网络定会取得新的突破，迎来又一个高潮。自1958年第一个神经网络诞生以来，其理论与应用成果不胜枚举。

人工神经网络是一个快速发展着的一门新兴学科，新的模型、新的理论、新的应用成果正在层出不穷地涌现出来。

3人工神经网络的发展前景针对神经网络存在的问题和社会需求，今后发展的主要方向可分为理论研究和应用研究两个方面。（1）利用神经生理与认识科学研究大脑思维及智能的机理、计算理论，带着问题研究理论。

人工神经网络提供了一种揭示智能和了解人脑工作方式的合理途径，但是由于人类起初对神经系统了解非常有限，对于自身脑结构及其活动机理的认识还十分肤浅，并且带有某种“先验”。

例如，Boltzmann机引入随机扰动来避免局部极小，有其卓越之处，然而缺乏必要的脑生理学基础，毫无疑问，人工神经网络的完善与发展要结合神经科学的研究。

而且，神经科学，心理学和认识科学等方面提出的一些重大问题，是向神经网络理论研究提出的新挑战，这些问题的解决有助于完善和发展神经网络理论。

因此利用神经生理和认识科学研究大脑思维及智能的机理，如有新的突破，将会改变智能和机器关系的认识。

利用神经科学基础理论的研究成果，用数理方法探索智能水平更高的人工神经网络模型，深入研究网络的算法和性能，如神经计算、进化计算、稳定性、收敛性、计算复杂性、容错性、鲁棒性等，开发新的网络数理理论。

由于神经网络的非线性，因此非线性问题的研究是神经网络理论发展的一个最大动力。

特别是人们发现，脑中存在着混沌现象以来，用混沌动力学启发神经网络的研究或用神经网络产生混沌成为摆在人们面前的一个新课题，因为从生理本质角度出发是研究神经网络的根本手段。

（2）神经网络软件模拟，硬件实现的研究以及神经网络在各个科学技术领域应用的研究。

由于人工神经网络可以用传统计算机模拟，也可以用集成电路芯片组成神经计算机，甚至还可以用光学的、生物芯片的方式实现，因此研制纯软件模拟，虚拟模拟和全硬件实现的电子神经网络计算机潜力巨大。

如何使神经网络计算机与传统的计算机和人工智能技术相结合也是前沿课题；如何使神经网络计算机的功能向智能化发展，研制与人脑功能相似的智能计算机，如光学神经计算机，分子神经计算机，将具有十分诱人的前景。

4哲理（1）人工神经网络打开了认识论的新领域认识与脑的问题，长期以来一直受到人们的关注，因为它不仅是有关人的心理、意识的心理学问题，也是有关人的思维活动机制的脑科学与思维科学问题，而且直接关系到对物质与意识的哲学基本问题的回答。

人工神经网络的发展使我们能够更进一步地既唯物又辩证地理解认识与脑的关系，打开认识论的新领域。

人脑是一个复杂的并行系统，它具有“认知、意识、情感”等高级脑功能，用人工进行模拟，有利于加深对思维及智能的认识，已对认知和智力的本质的研究产生了极大的推动作用。

在研究大脑的整体功能和复杂性方面，人工神经网络给人们带来了新的启迪。

由于人脑中存在混沌现象，混沌可用来理解脑中某些不规则的活动，从而混沌动力学模型能用作人对外部世界建模的工具，可用来描述人脑的信息处理过程。

混沌和智能是有关的，神经网络中引入混沌学思想有助于提示人类形象思维等方面的奥秘。

人工神经网络之所以再度兴起，关键在于它反映了事物的非线性，抓住了客观世界的本质，而且它在一定程度上正面回答了智能系统如何从环境中自主学习这一最关键的问题，从认知的角度讲，所谓学习，就是对未知现象或规律的发现和归纳。

由于神经网络具有高度的并行性，高度的非线性全局作用，良好的容错性与联想记忆功能以及十分强的自适应、自学习功能，而使得它成为揭示智能和了解人脑工作方式的合理途径。

但是，由于认知问题的复杂性，目前，我们对于脑神经网的运行和神经细胞的内部处理机制，如信息在人脑是如何传输、存贮、加工的？记忆、联想、判断是如何形成的？大脑是否存在一个操作系统？

还没有太多的认识，因此要制造人工神经网络来模仿人脑各方面的功能，还有待于人们对大脑信息处理机理认识的深化。

（2）人工神经网络发展的推动力来源于实践、理论和问题的相互作用随着人们社会实践范围的不断扩大，社会实践层次的不断深入，人们所接触到的自然现象也越来越丰富多彩、纷繁复杂，这就促使人们用不同的原因加以解释不同种类的自然现象，当不同种类的自然现象可以用同样的原因加以解释，这样就出现了不同学科的相互交叉、综合，人工神经网络就这样产生了。

在开始阶段，由于这些理论化的网络模型比较简单，还存在许多问题，而且这些模型几乎没有得到实践的检验，因而神经网络的发展比较缓慢。

随着理论研究的深入，问题逐渐地解决特别是工程上得到实现以后，如声纳识别成功，才迎来了神经网络的第一个发展高潮。

可Minisky认为感知器不能解决异或问题，多层感知器也不过如此，神经网络的研究进入了低谷，这主要是因为非线性问题没得到解决。

随着理论的不断丰富，实践的不断深入，现在已证明Minisky的悲观论调是错误的。今天，高度发达的科学技术逐渐揭示了非线性问题是客观世界的本质。

问题、理论、实践的相互作用又迎来了人工神经网络的第二次高潮。目前人工神经网络的问题是智能水平不高，还有其它理论和实现方面的问题，这就迫使人们不断地进行理论研究，不断实践，促使神经网络不断向前发展。

总之，先前的原因遇到了解释不同的新现象，促使人们提出更加普遍和精确的原因来解释。

理论是基础，实践是动力，但单纯的理论和实践的作用还不能推动人工神经网络的发展，还必须有问题提出，才能吸引科学家进入研究的特定范围，引导科学家从事相关研究，从而逼近科学发现，而后实践又提出新问题，新问题又引发新的思考，促使科学家不断思考，不断完善理论。

人工神经网络的发展无不体现着问题、理论和实践的辩证统一关系。

（3）人工神经网络发展的另一推动力来源于相关学科的贡献及不同学科专家的竞争与协同人工神经网络本身就是一门边缘学科，它的发展有更广阔的科学背景，亦即是众多科研成果的综合产物，控制论创始人Wiener在其巨著《控制论》中就进行了人脑神经元的研究；计算机科学家Turing就提出过B网络的设想；Prigogine提出非平衡系统的自组织理论，获得诺贝尔奖；Haken研究大量元件联合行动而产生宏观效果，非线性系统“混沌”态的提出及其研究等，都是研究如何通过元件间的相互作用建立复杂系统，类似于生物系统的自组织行为。

脑科学与神经科学的进展迅速反映到人工神经网络的研究中，例如生物神经网络理论，视觉中发现的侧抑制原理，感受野概念等，为神经网络的发展起了重要的推动作用。

从已提出的上百种人工神经网络模型中，涉及学科之多，令人目不暇接，其应用领域之广，令人叹为观止。不同学科专家为了在这一领域取得领先水平，存在着不同程度的竞争，所有这些有力地推动了人工神经网络的发展。

人脑是一个功能十分强大、结构异常复杂的信息系统，随着信息论、控制论、生命科学，计算机科学的发展，人们越来越惊异于大脑的奇妙，至少到目前为止，人类大脑信号处理机制对人类自身来说，仍是一个黑盒子，要揭示人脑的奥秘需要神经学家、心理学家、计算机科学家、微电子学家、数学家等专家的共同努力，对人类智能行为不断深入研究，为人工神经网络发展提供丰富的理论源泉。

另外，还要有哲学家的参与，通过哲学思想和自然科学多种学科的深层结合，逐步孕育出探索人类思维本质和规律的新方法，使思维科学从朦胧走向理性。

而且，不同领域专家的竞争与协调同有利于问题清晰化和寻求最好的解决途径。纵观神经网络的发展历史，没有相关学科的贡献，不同学科专家的竞争与协同，神经网络就不会有今天。

当然，人工神经网络在各个学科领域应用的研究反过来又推动其它学科的发展，推动自身的完善和发展。

谷歌人工智能写作项目：神经网络伪原创

人工智能和神经网络有什么联系与区别？

联系：都是模仿人类行为的数学模型以及算法A8U神经网络。神经网络的研究能促进或者加快人工智能的发展。

区别如下：一、指代不同1、人工智能：是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。

2、神经网络：是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。

二、方法不同1、人工智能：企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。

2、神经网络：依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。三、目的不同1、人工智能：主要目标是使机器能够胜任一些通常需要人类智能才能完成的复杂工作。

2、神经网络：具有初步的自适应与自组织能力。在学习或训练过程中改变突触权重值，以适应周围环境的要求。同一网络因学习方式及内容不同可具有不同的功能。

参考资料来源：百度百科-人工智能参考资料来源：百度百科-神经网络。

什么叫数据挖掘、神经网络

数据挖掘（DataMining）是指通过大量数据集进行分类的自动化过程，以通过数据分析来识别趋势和模式，建立关系来解决业务问题。

换句话说，数据挖掘是从大量的、不完全的、有噪声的、模糊的、随机的数据中提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。

原则上讲，数据挖掘可以应用于任何类型的信息存储库及瞬态数据（如数据流），如数据库、数据仓库、数据集市、事务数据库、空间数据库（如地图等）、工程设计数据（如建筑设计等）、多媒体数据（文本、图像、视频、音频）、网络、数据流、时间序列数据库等。

也正因如此，数据挖掘存在以下特点：（1）数据集大且不完整数据挖掘所需要的数据集是很大的，只有数据集越大，得到的规律才能越贴近于正确的实际的规律，结果也才越准确。除此以外，数据往往都是不完整的。

（2）不准确性数据挖掘存在不准确性，主要是由噪声数据造成的。比如在商业中用户可能会提供假数据；在工厂环境中，正常的数据往往会收到电磁或者是辐射干扰，而出现超出正常值的情况。

这些不正常的绝对不可能出现的数据，就叫做噪声，它们会导致数据挖掘存在不准确性。（3）模糊的和随机的数据挖掘是模糊的和随机的。这里的模糊可以和不准确性相关联。

由于数据不准确导致只能在大体上对数据进行一个整体的观察，或者由于涉及到隐私信息无法获知到具体的一些内容，这个时候如果想要做相关的分析操作，就只能在大体上做一些分析，无法精确进行判断。

而数据的随机性有两个解释，一个是获取的数据随机；我们无法得知用户填写的到底是什么内容。第二个是分析结果随机。数据交给机器进行判断和学习，那么一切的操作都属于是灰箱操作。

神经网络：神经网络由于本身良好的鲁棒性、自组织自适应性、并行处理、分布存储和高度容错等特性非常适合解决数据挖掘的问题，因此近年来越来越受到人们的关注。

人工神经网络的发展趋势

人工神经网络特有的非线性适应性信息处理能力，克服了传统人工智能方法对于直觉，如模式、语音识别、非结构化信息处理方面的缺陷，使之在神经专家系统、模式识别、智能控制、组合优化、预测等领域得到成功应用。

人工神经网络与其它传统方法相结合，将推动人工智能和信息处理技术不断发展。

近年来，人工神经网络正向模拟人类认知的道路上更加深入发展，与模糊系统、遗传算法、进化机制等结合，形成计算智能，成为人工智能的一个重要方向，将在实际应用中得到发展。

将信息几何应用于人工神经网络的研究，为人工神经网络的理论研究开辟了新的途径。神经计算机的研究发展很快，已有产品进入市场。光电结合的神经计算机为人工神经网络的发展提供了良好条件。

神经网络在很多领域已得到了很好的应用，但其需要研究的方面还很多。

其中，具有分布存储、并行处理、自学习、自组织以及非线性映射等优点的神经网络与其他技术的结合以及由此而来的混合方法和混合系统，已经成为一大研究热点。

由于其他方法也有它们各自的优点，所以将神经网络与其他方法相结合，取长补短，继而可以获得更好的应用效果。

目前这方面工作有神经网络与模糊逻辑、专家系统、遗传算法、小波分析、混沌、粗集理论、分形理论、证据理论和灰色系统等的融合。下面主要就神经网络与小波分析、混沌、粗集理论、分形理论的融合进行分析。

与小波分析的结合1981年，法国地质学家Morlet在寻求地质数据时，通过对Fourier变换与加窗Fourier变换的异同、特点及函数构造进行创造性的研究，首次提出了小波分析的概念，建立了以他的名字命名的Morlet小波。

1986年以来由于YMeyer、S.Mallat及IDaubechies等的奠基工作，小波分析迅速发展成为一门新兴学科。

Meyer所著的小波与算子，Daubechies所著的小波十讲是小波研究领域最权威的著作。小波变换是对Fourier分析方法的突破。

它不但在时域和频域同时具有良好的局部化性质，而且对低频信号在频域和对高频信号在时域里都有很好的分辨率，从而可以聚集到对象的任意细节。

小波分析相当于一个数学显微镜，具有放大、缩小和平移功能，通过检查不同放大倍数下的变化来研究信号的动态特性。因此，小波分析已成为地球物理、信号处理、图像处理、理论物理等诸多领域的强有力工具。

小波神经网络将小波变换良好的时频局域化特性和神经网络的自学习功能相结合，因而具有较强的逼近能力和容错能力。

在结合方法上，可以将小波函数作为基函数构造神经网络形成小波网络，或者小波变换作为前馈神经网络的输入前置处理工具，即以小波变换的多分辨率特性对过程状态信号进行处理，实现信噪分离，并提取出对加工误差影响最大的状态特性，作为神经网络的输入。

小波神经网络在电机故障诊断、高压电网故障信号处理与保护研究、轴承等机械故障诊断以及许多方面都有应用，将小波神经网络用于感应伺服电机的智能控制，使该系统具有良好的跟踪控制性能，以及好的鲁棒性，利用小波包神经网络进行心血管疾病的智能诊断，小波层进行时频域的自适应特征提取，前向神经网络用来进行分类，正确分类率达到94%。

小波神经网络虽然应用于很多方面，但仍存在一些不足。从提取精度和小波变换实时性的要求出发，有必要根据实际情况构造一些适应应用需求的特殊小波基，以便在应用中取得更好的效果。

另外，在应用中的实时性要求，也需要结合DSP的发展，开发专门的处理芯片，从而满足这方面的要求。混沌神经网络混沌第一个定义是上世纪70年代才被Li-Yorke第一次提出的。

由于它具有广泛的应用价值，自它出现以来就受到各方面的普遍关注。

混沌是一种确定的系统中出现的无规则的运动，混沌是存在于非线性系统中的一种较为普遍的现象，混沌运动具有遍历性、随机性等特点，能在一定的范围内按其自身规律不重复地遍历所有状态。

混沌理论所决定的是非线性动力学混沌，目的是揭示貌似随机的现象背后可能隐藏的简单规律，以求发现一大类复杂问题普遍遵循的共同规律。

1990年Kaihara、T.Takabe和M.Toyoda等人根据生物神经元的混沌特性首次提出混沌神经网络模型，将混沌学引入神经网络中，使得人工神经网络具有混沌行为，更加接近实际的人脑神经网络，因而混沌神经网络被认为是可实现其真实世界计算的智能信息处理系统之一，成为神经网络的主要研究方向之一。

与常规的离散型Hopfield神经网络相比较，混沌神经网络具有更丰富的非线性动力学特性，主要表现如下：在神经网络中引入混沌动力学行为；混沌神经网络的同步特性；混沌神经网络的吸引子。

当神经网络实际应用中，网络输入发生较大变异时，应用网络的固有容错能力往往感到不足，经常会发生失忆现象。

混沌神经网络动态记忆属于确定性动力学运动，记忆发生在混沌吸引子的轨迹上，通过不断地运动(回忆过程)一一联想到记忆模式，特别对于那些状态空间分布的较接近或者发生部分重叠的记忆模式，混沌神经网络总能通过动态联想记忆加以重现和辨识，而不发生混淆，这是混沌神经网络所特有的性能，它将大大改善Hopfield神经网络的记忆能力。

混沌吸引子的吸引域存在，形成了混沌神经网络固有容错功能。这将对复杂的模式识别、图像处理等工程应用发挥重要作用。

混沌神经网络受到关注的另一个原因是混沌存在于生物体真实神经元及神经网络中，并且起到一定的作用，动物学的电生理实验已证实了这一点。

混沌神经网络由于其复杂的动力学特性，在动态联想记忆、系统优化、信息处理、人工智能等领域受到人们极大的关注。

针对混沌神经网络具有联想记忆功能，但其搜索过程不稳定，提出了一种控制方法可以对混沌神经网络中的混沌现象进行控制。研究了混沌神经网络在组合优化问题中的应用。

为了更好的应用混沌神经网络的动力学特性，并对其存在的混沌现象进行有效的控制，仍需要对混沌神经网络的结构进行进一步的改进和调整，以及混沌神经网络算法的进一步研究。

基于粗集理论粗糙集(RoughSets)理论是1982年由波兰华沙理工大学教授Z.Pawlak首先提出，它是一个分析数据的数学理论，研究不完整数据、不精确知识的表达、学习、归纳等方法。

粗糙集理论是一种新的处理模糊和不确定性知识的数学工具，其主要思想就是在保持分类能力不变的前提下，通过知识约简，导出问题的决策或分类规则。

目前，粗糙集理论已被成功应用于机器学习、决策分析、过程控制、模式识别与数据挖掘等领域。

粗集和神经网络的共同点是都能在自然环境下很好的工作，但是，粗集理论方法模拟人类的抽象逻辑思维，而神经网络方法模拟形象直觉思维，因而二者又具有不同特点。

粗集理论方法以各种更接近人们对事物的描述方式的定性、定量或者混合性信息为输入，输入空间与输出空间的映射关系是通过简单的决策表简化得到的，它考虑知识表达中不同属性的重要性确定哪些知识是冗余的，哪些知识是有用的，神经网络则是利用非线性映射的思想和并行处理的方法，用神经网络本身结构表达输入与输出关联知识的隐函数编码。

在粗集理论方法和神经网络方法处理信息中，两者存在很大的两个区别：其一是神经网络处理信息一般不能将输入信息空间维数简化，当输入信息空间维数较大时，网络不仅结构复杂，而且训练时间也很长；而粗集方法却能通过发现数据间的关系，不仅可以去掉冗余输入信息，而且可以简化输入信息的表达空间维数。

其二是粗集方法在实际问题的处理中对噪声较敏感，因而用无噪声的训练样本学习推理的结果在有噪声的环境中应用效果不佳。而神经网络方法有较好的抑制噪声干扰的能力。

因此将两者结合起来，用粗集方法先对信息进行预处理，即把粗集网络作为前置系统，再根据粗集方法预处理后的信息结构，构成神经网络信息处理系统。

通过二者的结合，不但可减少信息表达的属性数量，减小神经网络构成系统的复杂性，而且具有较强的容错及抗干扰能力，为处理不确定、不完整信息提供了一条强有力的途径。

目前粗集与神经网络的结合已应用于语音识别、专家系统、数据挖掘、故障诊断等领域，将神经网络和粗集用于声源位置的自动识别，将神经网络和粗集用于专家系统的知识获取中，取得比传统专家系统更好的效果，其中粗集进行不确定和不精确数据的处理，神经网络进行分类工作。

虽然粗集与神经网络的结合已应用于许多领域的研究，为使这一方法发挥更大的作用还需考虑如下问题：模拟人类抽象逻辑思维的粗集理论方法和模拟形象直觉思维的神经网络方法更加有效的结合；二者集成的软件和硬件平台的开发，提高其实用性。

与分形理论的结合自从美国哈佛大学数学系教授BenoitB.Mandelbrot于20世纪70年代中期引入分形这一概念，分形几何学(Fractalgeometry)已经发展成为科学的方法论--分形理论，且被誉为开创了20世纪数学重要阶段。

现已被广泛应用于自然科学和社会科学的几乎所有领域，成为现今国际上许多学科的前沿研究课题之一。由于在许多学科中的迅速发展，分形已成为一门描述自然界中许多不规则事物的规律性的学科。

它已被广泛应用在生物学、地球地理学、天文学、计算机图形学等各个领域。

用分形理论来解释自然界中那些不规则、不稳定和具有高度复杂结构的现象，可以收到显著的效果，而将神经网络与分形理论相结合，充分利用神经网络非线性映射、计算能力、自适应等优点，可以取得更好的效果。

分形神经网络的应用领域有图像识别、图像编码、图像压缩，以及机械设备系统的故障诊断等。

分形图像压缩/解压缩方法有着高压缩率和低遗失率的优点，但运算能力不强，由于神经网络具有并行运算的特点，将神经网络用于分形图像压缩/解压缩中，提高了原有方法的运算能力。

将神经网络与分形相结合用于果实形状的识别，首先利用分形得到几种水果轮廓数据的不规则性，然后利用3层神经网络对这些数据进行辨识，继而对其不规则性进行评价。

分形神经网络已取得了许多应用，但仍有些问题值得进一步研究：分形维数的物理意义；分形的计算机仿真和实际应用研究。随着研究的不断深入，分形神经网络必将得到不断的完善，并取得更好的应用效果。?。

想要学习人工神经网络，需要什么样的基础知识？

人工神经网络理论百度网盘下载：链接：提取码：rxlc简介：本书是人工神经网络理论的入门书籍。全书共分十章。

第一章主要阐述人工神经网络理论的产生及发展历史、理论特点和研究方向；第二章至第九章介绍人工神经网络理论中比较成熟且常用的几种主要网络结构、算法和应用途径；第十章用较多篇幅介绍了人工神经网络理论在各个领域的应用实例。

。

神经网络能够自己思考吗? 10

如果我们把人体内部神经网络的工作机制所表现出来的总体特性，用称为心智模式（mentalmodel）来表达，那么下面对问题的表述就更易于理解和容易。

维纳在《控制论》中曾经说过,每个时代的思想都被反映在那个时代的技术中。这个思想我就理解成心智模式水平。

那么今天我们这个时代也有反映这个时代思想的技术，网络互联社会性软件等等的发展在某种程度上是反映我们这个时代所具有的体现如何学习的思想的技术，那么如此反观我们自身，我们个体或群体的心智水平发展是否跟上时代的步伐呢？

心智模式具有与环境交互作用的预见和解释功能，那么对于学习本身，我们的心智运用是否能够发展出一种使得每一次前面的学习都能够有助于促进后面学习的发生发展的一种模型，或者说我们以前的学习理论倾向于一次性完成所有的学习任务(针对的仅仅是具体的学习任务,是"部分学习",而不是整体的学习),不是通过对知识(或者说,知识所反映的世界本身的层次性,等级性)和能力的学习来影响以后的学习。

我们是否可以运用我们的心智所具有的预见与解释功能，发展出一种有进化潜力的学习方式，让所有的学习发生能够产生内在的进化作用？

人类在自身的发展中,通过不同个体在特定智力上的发展同其他个体在其他特定智力的发展之间的合作来实现人类自身智力的完整性的道路就表现为学科的分门别类以及各种专业的划分,这种学习方式曾经一度推动历史的进步,但是人类(个体方面)因此也牺牲了很多，这种局面在系统哲学诞生之后应该引起重视,让人类的每个个体重新回到他原有的那种整体性和创造性去。

如果我们的心智模式在人出生之后就能够接触到对人类社会信息的整体的了解，从一个整体的视角去学习，这也就避免了现代教育所带来的破碎危机。

人类的认知系统不同于其他学习系统的关键地方应该是人类生命的层次性、人具有主动的选择性，以及相应的价值取向，这种价值取向不是个体学习决定的，是个体所处的社会的整体确定的，涉及社会的学习水平个体的学习水平的深度、广度、层、等级。

在应用系统论控制论复杂理论对学习进行分析的时候,不能单单把学习看做是一种自组织方式,学习这种自组织产生的根源不是单纯来自于个体的求知求真求善动机,而是个体对自己感受到的社会动向的一种积极反映，教师的职业的特殊性,在专业化的道路上应该通过社会的整体趋势的理解来指导自己的教学,引导学生认识自己,管理自己,发展自己。

如果说大脑内复杂的神经网络为思考提供了温床,那么互连网的出现,SOCIALNETWORKS,SOCIALBRAIN这些新生事物就是一个改变原来个人的单独思考模式为社会思考从而向着社会学习前进的标志。

在这样的背景下,个体心智模式与群体心智模式如何进行研究和描述？我们如何来更好地探讨心智模式的进化？

由zxl发表于01:01PM|回复(1)|引用我对进化心理学的理解（2）——进化体现何处如果说“Evolutionarypsychologyfocusesontheevolvedpropertiesofnervoussystems,especiallythoseofhumans.”（引自这里）人体神经网络对信息的处理传输就是在与环境进行信息能量不断的交互过程中进化的，或者说适应（adaption）环境变化的，这里的环境有自然环境有社会环境,那么适应环境变化意味着什么？

意味着神经网络对与环境交互的信息的处理传输方式或者机制能够更新并被不断复制，当然这里每一点的变化都要历经很长的时间。那么在漫长的人类进化的历史长河中，人类的生活的外围环境发生哪些变化呢？

我们不妨回顾社会发展，看看人与环境的交互方式的典型变化，我们把人与环境交互的变化分为三个进化阶段：第一个阶段，在语言文字诞生前夕的人与自然阶段交互，这个阶段人所交互的环境主要是大自然，自然环境；第二个阶段，伴随语言文字的诞生到科学技术的发展，科技成为第一生产力，这个阶段人所交互的环境主要是自然与科学技术本身；第三个阶段，就是在科技充分发展，进入知识经济社会今天向后的发展，这个阶段人所交互的环境主要是由知识所构建的“知识环境”。

何以断言？

第一个阶段，人为了生存，主要是依靠体力求得自然人的生存；（体力）第二个阶段，人逐步依靠技术，用科学技术逐步来代替体力支出；（技术取代体力）第三个阶段，人逐步开始不断地创新，把所有可能的“重复”，包括思维的重复都用可能类似于“计算机软件”实现一定功能来取代，如人工智能的进一步发展，那么人自身不断地进行思维的创造工作。

（知识创新所产生的智能过程不断被更高级智能过程所取代的过程）（还需要进一步细化与深入浅出）这三个阶段是多么的不同，那么对神经网络对信息获取、处理的方式也可能有所不同，而前两个阶段的不同已经为很多科学研究成果所证实。

我们在这里探讨这个问题，也想从社会发展进化的角度，来思考“学习”，学习似乎是人与环境交互的适应系统，或者说桥梁，它架起了两端，一端是我们人生活的外部环境，另一端是我们人的神经网络，它将这两者紧密地关联在一起，人在自身成长的过程中，也推动了社会历史的进步，通过学习，人既创造自己也在创造环境。

你认为近代

供参我认为近代对人类社会与生活影响最大的科学技术或发明是：电工理由：研究电磁领域的客观规律及其应用的科学技术，以及电力生产和电工制造两大工业生产体系。电磁是自然界物质普遍存在的一种基本物理属性。

因此，研究电磁规律及其应用的电工科学技术对物质生产和社会生活的各个方面，包括能源、信息材料等现代社会的支柱都有着深刻的影响。

电能作为一种二次能源，便于从多种途径获得（如水力发电、火力发电、核能发电、太阳能发电及其他各种新能源发电等），同时又便于转换为其他能量形式以满足社会生产和生活的种种需要（如电动力、电热、电化学能、电光源等）。

与其他能源相比，电能在生产、传送、使用中更易于调控。这一系列优点，使电能成为最理想的二次能源，格外受到人们关注。电能的开发及其广泛应用成为继蒸汽机的发明之后，近代史上第二次技术革命的核心内容。

20世纪出现的大电力系统构成工业社会传输能量的大动脉；以电磁为载体的信息与控制系统则组成了现代社会的神经网络。各种新兴电工材料的开发、应用，丰富了现代材料科学的内容。

物质世界统一性的认识、近代物理学的诞生以及系统控制论的发展等，都直接或间接地受到电工发展的影响。同时，各相邻学科的成就也不断促进电工向更高的层次发展。

因此，电工发展水平是衡量社会现代化程度的重要标志，是推动社会生产和科学技术发展，促进社会文明的有力杠杆。

电气化与现代社会自19世纪80年代开始应用电能以后，几乎所有社会生产的技术部门以及人民生活，都逐步转移到这一崭新的技术基础上，极大地推动了社会生产力的发展，改变了人类的社会生活方式，使20世纪以“电世纪”载入史册。

电照明开发较早。它消除了黑夜对人类生活和生产劳动的限制，大大延长了人类用于创造财富的劳动时间，改善了劳动条件，丰富了人们的生活。这为电能的应用奠定了最广泛的社会基础，成为推动电能生产的强大动力。

电传动是范围最广、形式最多的电能应用领域，电动机作为最重要的动力源，从根本上改变了19世纪以蒸汽动力为基础的初级工业化的面貌。电热、电化学、电物理的发展，开辟了一个又一个新的工业部门和科研领域。

总之，电的应用不仅影响到物质生产的各个侧面，也越来越广地渗透到人类生活的各个层面（医疗电器的广泛应用和家用电器的普及只是人们熟知的两个例证）。

电气化已在某种程度上成为现代化的同义语，电气化程度已成为衡量社会物质文明发展水平的重要标志。大规模、多层次工程系统电能以光速传播，至今未能实现工业规模储存。

因此，电能的生产与消费几乎在同一瞬间完成，随发随用。发电、变电、输电、配电、用电各环节组成了始终处于连续工作的不可分割的整体。

这种集发电、供电、用电于一体的大电力系统是人类工程科学史上最重要的成就之一。到20世纪70年代，世界上已建成好几个装机容量超过亿千瓦的大型电力系统，其中覆盖面积最大的达1000多万平方千米。

每个系统年传输、分配的电能都超过万亿千瓦时。这种系统中，有功潮流、无功潮流、高次谐波、负序电流等以光速在全系统范围瞬间传播。它既能输送大量电能，创造巨大财富，也可能在瞬间造成重大灾难性事故。

为保证如此巨大系统安全、稳定、经济地运行，对系统的控制方式和自动化装置提出了高标准的要求。电力系统成为社会物质生产部门中空间跨度最广、时间协调要求严格、层次分工极复杂的实体工程系统。

在某种意义上，正是电力系统的出现和发展，促进了系统工程和自动控制这一高新技术领域的形成，并带动了一系列工业、科研部门的发展。电工制造与电工新技术电工制造业为电能的生产和消费系统提供物质装备。

随着对电能需求的增长，为满足建设大型电厂的需要，通过改进发电机的冷却技术，采用新型绝缘材料、铁磁材料，改进结构设计，使发电机的单机功率增大、成本降低。

最大火力发电机组的功率由1926年的160兆瓦增大到1973年的1300兆瓦；水电机组由1942年的108兆瓦提高到1978年的700兆瓦；核电机组由1954年的5兆瓦提高到80年代的1300～1500兆瓦。

与电力系统规模扩大相适应，输变电成套设备容量也迅速增大。继1952年制成第一套380千伏交流输变电成套设备后，70年代以后又先后制成1000～1500千伏的交流输变电设备。

用电设备中约有70％的负荷为电动机，大的如轧钢电动机和高炉鼓风电动机，其单机功率分别达12780千瓦和36000千瓦；小的有千百种用途各异的微特电机。

电力电子技术的出现不仅使直流输电技术得以稳步发展，而且使交、直流传动技术和各种电源转换技术都得到革新。

它将微机控制与功率执行紧密结合，统一完成逻辑、控制、监视、保护、诊断等综合功能，有力地推动着机电一体化的技术潮流。努力探寻新的发电方式是电工发展的重要方面。

自1954年以后，核能发电很快成为继火电、水电之后的第三大发电方式。50年代末，磁流体发电崭露头角，到1985年已建成50万千瓦工业性磁流体-蒸汽联合热电站。

实现受控核聚变反应是最终解决人类社会能源问题的途径之一。各国都集中力量进行研究。到90年代，人类正迈向解决这一问题的大门。超导材料研究的新突破，向人们展现了超导电工时代的诱人前景。

燃料电池和动力蓄电池可以分散建设，不需长距离输电，将有可能为电能供需系统开创全新境界。

科学研究、技术开发、生产应用紧密配合的结晶以电能应用为标志的技术革命区别于它以前的技术革命的根本点在于，它不是直接来源于工场或其他生产实践领域，而是来源于科学实验室。

正是它的出现，首先把科学技术是生产力清晰地写在人类认识史上。

人类很早就注意到自然界的电磁现象，但直到1800年A.伏打在实验中发明了伏打电池，使人类首次获得持续稳定的电源，促进了电学的研究转向电流，并开始了电化学、电弧放电及照明、电磁铁等电能应用的研究。

1831年，M.法拉第通过实验发现了电磁感应定律，推动了电磁科学与技术发展。

这一定律的发现，不仅使静电、动电（电流）、电流与磁场相互感生等一系列电磁现象达到了更加全面的统一认识，而且奠定了机、电能量转换的原理基础。

1873年，J.C.麦克斯韦导出描述电磁场理论的基本方程——麦克斯韦方程组，成为整个电工领域的理论基础。发电机的发明实现了机械能转换为电能，征服了自然界蕴藏的神奇动力，预告了电气化时代的到来。

与发电机的发明过程同时，电照明、电镀、电解、电冶炼、电动力等工业生产技术纷纷成熟。孕育了发电、变电、输电、配电、用电联为一体的电力系统的诞生。

19世纪90年代三相交流输电技术的发明，使电力工业以基础产业的地位跨入现代大工业行列，迎来了20世纪电气化新时代。现代科学技术和工业的发展是基础理论研究、应用研究、技术开发紧密结合的过程。

科学技术综合化的发展趋势日益明显。必须使个体研究转向集体研究。1876年，T.A.爱迪生率先踏上了这一必由之路，创办了世界上第一个工业应用研究实验室。

在这个被人们赞誉的“发明工厂”里，他组织一批专门人才分工负责，共同致力于同一项发明，打破了以往只由科学家个人单独从事研究的传统。

这一与现代科学技术和生产力发展水平相适应的技术研究和开发的正确道路，显示出巨大活力，不仅推动了电力生产与电工制造业的迅猛发，也开创了基础科学、应用科学、技术开发三者紧密结合、协同发展的先河。

参考资料：专家提供：回答者：贺显华-高考历史2-822:01提问者对于答案的评价：非常感谢!您觉得最佳答案好不好？目前有0个人评价50%（0）50%（0）