人工智能应用人工神经网络-人工智能应用人工神经网络技术

大家好，今天小编关注到一个比较有意思的话题，就是关于人工智能应用人工神经网络的问题，于是小编就整理了4个相关介绍人工智能应用人工神经网络的解答，让我们一起看看吧。

1. 人工神经网络属于人工智能哪个流派？
2. 人工神经网络属于行为主义嘛？
3. 人工智能导论新版课后答案？
4. 人工神经网络的本质（物理或数学意义）是什么？

人工神经网络属于人工智能哪个流派？

神经网络属于人工智能连接主义。

目前人工智能的主要学派有下列三家：

(1) 符号主义(symbolici***)，又称为逻辑主义、心理学派或计算机学派，其原理主要为物理符号系统(即符号操作系统)***设和有限合理性原理。

(2) 连接主义(connectioni***)，又称为仿生学派或生理学派，其主要原理为神经网络及神经网络间的连接机制与学习算法。

(3) 行为主义(actioni***)，又称为进化主义或控制论学派，其原理为控制论及感知-动作型控制系统。

人工神经网络属于行为主义嘛？

人工智能的神经网络研究属于联结主义学派。连接学派通过算法模拟神经元，并把这样一个单元叫做感知机，将多个感知机组成一层网络，多层这样的网络互相连接最终得到神经网络。
这一学派认为人工智能源于仿生学，特别是人脑模型的研究。联结主义学派从神经生理学和认知科学的研究成果出发，把人的智能归结为人脑的高层活动的结果，强调智能活动是由大量简单的单元通过复杂的相互连接后并行运行的结果。

人工智能导论新版课后答案？

1956年正式提出人工智能

20世纪三大科学技术成就

人工智能

原子能技术

空间技术

智能的特征

（1）感知能力

（2）记忆与思维能力（会思考）【逻辑思维】【形象思维】【动物思维】（灵感思维）

（3）学习能力

（4）行为能力（输出能力）

人工神经网络的本质（物理或数学意义）是什么？

数学的角度看，网络模型本质上是函数的表示模型，学习的过程就是通过数据匹配实现函数建模的过程，实现数据的逼近或拟合。网络模型的结构和规模决定模型的表示能力，表示能力越强，建模需要的数据规模也越大，或者学习利用数据能力越强，同时学习需要的计算***也会越多。显然，深度学习实现的网络模型就是可以利用大数据实现丰富表示能力的函数建模。

从数学的角度讲，人工神经网络的本质从机器学习的过程可理解为通过参数求最佳解得过程。同样也是一个负反馈的过程，以最简单的负反馈神经网络bp神经网络(back propagation)为例，其本质可以形象的理解为这样一个过程：

我们***设这个刚搭建的好的机器人叫“小明”（***设他刚出生），他的硬件软件等我们不需要考虑的部分全部是最先进的，小明的大脑里现在是最纯净的，除了一个学习的算法什么都没有，就像一个刚出生的婴儿一样。

现在，小明饿了，想吃东西。那么如何才能吃到东西呢？在什么都不知道的情况下，小明开始探索如何才能不饿。他可能会伸手，或者笑、哭，于是母亲喂了他吃的，从逻辑上可以这么理解：

然后他每次饿了，都开始伸手-笑-哭，然后就有吃的了。突然，有一天他自己也不知道怎么搞的，直接哭了。然后---有吃的了！！！这时他才明白这一个逻辑：

这时候，机器人“小明“明白，其实达到一个目的很简单，但是需要不断尝试。

再后来，小明又饿了，这回他懒得动，稍微小哭了一下等吃的，结果妈妈没来喂他！这是为啥？然后他就哭的超级大声，妈妈看他这样子以为是病了，急冲冲的送她去诊所，结果啥病也没有，小明迷惑，这是为什么？逻辑可以这么理解：

可以这么理解，神经网络是一个超高维度的通过激励函数不断逼近的过程，可以理解为超高维度的曲线的拟合，其还是拓扑线性空间到拓扑线性空间的映射，是高次的泛函，所以本质上属于泛函方法

人工神经网络(深度学习)的本质是一种数值运算，是从微观角度模拟或者描述人的思维运作，即给一个输入，经过复杂的数值计算，得到一个输出。

而传统的程序是从宏观角度模拟或者描述人的逻辑思维流程，是以逻辑主导的。比如当什么条件时，应该干嘛干嘛，当点击了某个按钮，我要让计算机先干嘛，然后干嘛，最后再干嘛

(1)非局限性因为人工神经网络的整个识别过程是基于全部输入神经元以及阈值等共同决定的。神经元之间的联系结构是图形结构'应，各神经元之间彼此作用，相互影响，人工神经网络自适应的模拟训练中常常就是对类比与大脑的神经元之间的对信息相互作用、提取特征、最终联想的过程。

(2)非线性自然界中事物的普遍联系都是非线性的，并不是简单因素的加权组合，也就不能用用简单的线性组合来刻划彼此因素***间的关联。人工神经网络是模拟大脑的各神经元对事物识别记忆的原理。可以通过自适应，自我修复的过程实现对事物的判断。根据具体的应用设置适当的阈值往往会使得训练过程更加的趋于收敛，具有更好的性能，同时往往更好的收敛并能在容错性和[_a***_]容量上有很大的提高。

(3)非凸性人工神经网络因为在自适应的训练过程中，其训练过程中的自适应过程常受特定的状态函数影响。此函数因为是非凸性，导致可能存在不同的极值点，就有可能在训练过程中陷入局部收敛从而导致结果不理想，也就是说存在收敛过快的情况，系统训练结果可能存在演化多样性。

(4)非常定性人工神经网络因具有较强的自适应、自学习能力，能够在处理信息的过程中不断地改变自身的值。

到此，以上就是小编对于人工智能应用人工神经网络的问题就介绍到这了，希望介绍关于人工智能应用人工神经网络的4点解答对大家有用。

[免责声明]本文来源于网络，不代表本站立场，如转载内容涉及版权等问题，请联系邮箱:83115484@qq.com，我们会予以删除相关文章，保证您的权利。转载请注明出处：http://www.bfgfmw.com/post/57366.html