所有笔记摘要贴: 《人工神经网络原理》 -读书笔记摘要
一、神经网络与专家系统的比较知识表示
专家系统中知识表示的原始形式都是基于形式化的符号,知识都是以明示说明的方式表示的; 神经网络隐含着知识,用网络拓扑表示节点之间的相互关系。 获得知识
专家获取知识的主要途径是机器学习和讲课式学习,并且获取的必须是确定的、不含噪声的知识,否则会影响系统结论的准确性; 神经网络具有较强的自组织、自学习、自适应能力,可以通过学习从数字化实例中获得符号化概念,也可以从现有知识库和领域专家对知识的显式陈述中获得知识,还可以从不准确、不完整、抗干扰知识推理
专家系统主要采用逻辑推理,推理时按照一定的匹配算法和搜索策略在知识库中寻找合适的知识,通常是确定性推理,且是序贯处理方式,推理效率不高,难以解决规则冲突解决问题; 神经网络推理过程可以达到不确定性推理的效果,而神经网络固有的并行推理能力,大大提高了推理效率,解决了逻辑推理中的冲突问题。 结论的解释
专家系统能够清楚地向用户说明所得结论神经网络很难清楚地说明结论。 二、神经网络与仿真系统的比较
神经网络与仿真系统的结合
将ANN引入模糊系统
将ANN作为模糊系统中隶属函数、模糊规则、扩展原理的网络化描述形式。 在现有的ANN中引入模糊性原理
将训练和工作中的神经网络结构视为一种模糊的分类标志。
通过将模糊原理应用于神经元,神经元在功能上表现为各种模糊运算操作,如模糊交叉、模糊加权等。
对神经网络的输入数据进行模糊预处理。
将模糊关系引入神经网络结构中,与神经网络的学习机制相结合。