人工神经网络手册:第1部分

我写过几篇关于人工神经网络的文章，但都是关于随机概念的随机文章。本系列文章将向您详细介绍人工神经网络及其相关概念。所有内容的参考资料和参考资料将在本系列的最后提到，以便您可以深入研究所有的概念。

那么，让我们从一个非常基本的问题开始，“什么是人工智能，什么是人工神经网络?”在本系列的第一篇文章中，我将尝试回答这些基本问题，然后我们将在后面的文章中继续深入。

什么时人工智能?

人工智能被描述为一种软件，它的行为在某些有限的方面，可以就像人类一样。“人工智能”一词来源于拉丁语词根facere arte，意思是“制造某物”。人工智能的定义有很多种。Winston[1984]提出了人工智能的一种定义，认为人工智能研究的是能够让电脑变得智能的想法。Rich和Knight[1991]将人工智能定义为研究如何让计算机做一些目前人们做得更好的事情。

以下是一些更常见的AI定义和/或描述:

1、人工智能之所以聪明，是因为它能学习

2、人工智能将数据转化为知识

3、人工智能是关于智能问题解决的

4、人工智能体现了适应环境、应对不完整或错误知识的能力

虽然人工智能技术在金融领域的应用才刚刚起步，但它在其他领域的应用历史却很悠久。迄今为止，在众多非金融应用领域的经验可谓五花八门。麻省理工学院人工智能实验室负责人、人工智能研究领域的领军人物帕特里克·温斯顿(Patrick Winston)承认，传统的人工智能方法，如搜索方法、谓词演算、基于规则的专家系统、博弈等，进展甚微[Gallant 1994]。传统人工智能方法似乎无法解决的问题是人类容易完成的琐碎而常见的任务，比如识别人脸和物体、行走等等。

因此，人工智能研究人员求助于自然、物理规律和过程来寻找更好的解决方案是很自然的。因此，许多在自然科学和工程领域开发的当代人工智能工具已经成功地进入了商业世界。这些包括来自信号处理/电气工程领域的小波变换和有限脉冲响应滤波器(FIR)，来自生物科学的遗传算法和人工神经网络，混沌理论，以及来自物理科学的模拟退火。这些革命性的技术属于人工智能领域，因为它们代表的想法似乎是在解决商业问题时模仿智能。所有这些人工智能工具都有一个共同点，那就是它们试图通过应用物理定律和过程来解决金融市场数据的预测和解释等问题。Pal和Srimani[1996]指出，这些新型的计算模式被统称为软计算，因为它们具有独特的特性，能够利用现实问题中的公差不精确和不确定性，以实现可跟踪性、鲁棒性和低成本。他们进一步指出，软计算经常被用来寻找精确(或不精确)表述问题的近似解。摩托罗拉的Huffman说:“在摩托罗拉，我们称神经网络、模糊逻辑、遗传算法和类似的自然计算”[1994]。

为了获得更好的解决方案，这些现代工具经常与其他工具以及更传统的人工智能方法(如专家系统)一起使用。这些结合了一种或多种人工智能方法(可能包括传统方法)的新系统被称为“混合系统”。混合系统的一个例子是Tan[1993]中描述的金融交易系统，该系统将人工神经网络和基于规则的专家系统相结合。Lawrence[1994]喜欢用“计算机智能”这个词来描述专家系统和人工神经网络，因为她认为在定义由这些系统模拟的“智能”时，它的误导性和争议较少。

什么是人工神经网络?

人工神经网络(ANN)模型受到生物科学的启发，生物科学研究了活体动物的神经解剖学在解决问题方面的发展。根据Nelson和Illingworth [1990]， ANNs也被称为:

1、并行分布式处理模型

2、Connectivist/connectionism模型

3、自适应系统

4、自我组织系统

5、Neurocomputing

6、神经形态系统

ANNs由许多相互连接的处理器组成，这些处理器被称为神经元，它们执行求和功能。信息存储在连接上的权重中。我们将在以后的文章中对神经网络的技术方面进行更详细的讨论。

ANN模拟了人类大脑的生物神经网络。生物神经网络是生物体的神经系统运作的机制，能本能地执行复杂的任务。神经系统的中央处理单元被称为“神经元”。人类大脑大约有100到1000亿个神经元，每一个都通过“突触”与其他许多神经元相连。人脑大约有100万亿个突触。这些联系控制着人体及其思维过程。简而言之，他们试图复制人类大脑的学习过程。

研究人员试图通过模拟人脑来解释人类的行为和思维过程，阐述了第一个神经网络理论。时至今日，ANN领域许多杰出的研究人员都是有心理学背景的研究人员。

ANNs的四个研究领域是:

1、 使用ANNs模拟生物网络，以了解人类大脑及其功能。这一领域对神经解剖学的心理学家和研究人员特别感兴趣;

2、使用ANNs作为教育工具，以了解如何解决传统人工智能方法和计算机算法难以解决的复杂任务。这一领域的研究人员包括计算机科学家、工程师等，他们主要对通过研究人工神经网络的问题解决过程来构建更好的计算机算法感兴趣;

3、使用ANNs来解决各种商业应用中的实际问题。这一领域的许多研究人员除了与ANN相关的领域外，还有其他领域的背景。使用ANN的吸引力在于它作为工具的简单性和基于ANN的商业应用的成功。有许多ANN软件包足够用户友好，新用户可以开始使用，而不需要他们对ANN算法有深入的了解。这与传统的计算机技术不同，传统的计算机技术要求用户在编写应用程序之前彻底理解算法。在ANNs的情况下，用户需要知道的就是如何以ANN能够理解的形式呈现手头的问题;和

4、改进ANN算法。这一领域的研究人员对构建更好的人工神经网络算法感兴趣，这些算法可以更有效地“学习”或建模，即更快的训练时间和/或更准确的结果。

在全球范围内，正在对ANNs进行研究。Nelson和Illingworth[1991]指出，国防高级研究计划局(DARPA)战术技术办公室的副主任Jasper Lupo称神经网络技术“比原子弹更重要”[Johnson和Schwartz 1988]。据Nelson和Illingworth说，DARPA最初为一个8年的神经网络项目拨款3.9亿美元，但即使最初的资金在17个月内减少到3300万美元，仍有许多人申请研究经费。最近，Turban和Trippin[1996]指出，在五年的研究计划之后，国防部(D.O.D)计划在1995-2000年期间在神经网络研究上再投入1500万美元。他们还声称，日本已经启动了一个为期10年、耗资2000万美元的项目，以进一步发展神经网络技术，主要是在商业领域。

日本ANNs的主要研究是由日本政府在其名为“人类前沿”的第五代计算机程序下资助的。然而，日本企业已经在开发基于ANNs的产品。

日本公司参与ANN技术的例子有:

1、日本夏普公司的光学字符阅读印刷程序[Shandle 1993],

2、新日铁铸造突破预测程序[Shandle 1993]，

3、日立ANN硬件系统设计[Shandle 1993]，

4、理光的实验神经计算机，不需要软件运行，通过学习获得所有的计算能力[Dambrot 1992]，

5、富士通的基于ann的移动机器人控制器和NEC公司的神经计算机[Nelson和Illingworth 1991]等等。

欧洲的ANNs研究工作被称为ESPIRIT II，是一个为期五年的项目，涉及8个国家和几百个work-year（工作年）的工作量。除此之外，ESPIRIT于1989年初宣布的一个新项目——工业神经网络的应用(ANNIE) [Newquist III, 1989]。Nelson和Illingworth[1991]就ANNs在个别欧洲国家的研究工作陈述如下:

1、德国有一个2.5亿美元的五年计划[Johnson 1989b];

2、法国可能是最积极的发展，仅在巴黎就有6个神经芯片项目[Johnson 1988];

3、荷兰的研究已经从独立研究转向政府赞助和协调的研究;

4、英国有一个4.7亿美元的项目。

英国科学技术咨询委员会预测1997年神经网络产品的市场价值为10亿美元，这导致英国贸易和工业部(DTI)宣布了一项技术转让计划，未来三年将投资570万英镑，以提高6000家英国公司对神经网络认识[Milton 1993]。

结论

这只是对人工智能和人工神经网络的简短介绍，描述了它们是如何对世界产生巨大影响的。在下一篇文章中，我们将看到人工神经网络在各个行业中的一些应用。