Artificial Neural Network 简明教程

Applications of Neural Networks

在研究神经网络已广泛使用的领域之前，我们需要了解为什么神经网络将成为首选应用程序。

我们需要通过人的例子来理解上述问题的答案。作为一个孩子，我们曾经在长辈的帮助下学习事物，其中包括父母或老师。然后，通过自学或实践，我们在整个生命中不断学习。科学家和研究人员也像人类一样，让机器变得智能，而神经网络由于以下原因，在其中扮演着非常重要的角色：

以下是神经网络使用的一些领域。它表明神经网络在其开发和应用中采用跨学科的方法。

语言在人际交往中占有突出地位。因此，人们自然会期望与计算机进行语音交互。在当前时代，为了与机器进行通信，人类仍然需要复杂的语言，这些语言难以学习和使用。为了消除这种交流障碍，一种简单的解决方案可能是以机器能够理解的口语进行交流。

在这一领域已经取得了很大进展，然而，此类系统仍然面临词汇或语法有限的问题，以及针对不同条件的不同说话人对系统进行再培训的问题。神经网络在这个领域发挥着重要作用。下列神经网络用于语音识别：

最适合这种网络的是 Kohonen 自组织特征映射，它的输入是语音波形的短片段。它会将同类音素映射到输出阵列中，称为特征提取技术。在提取特征之后，借助一些作为后端处理的声学模型，它将识别出说话内容。

这是一个属于模式识别一般领域的有趣问题。许多神经网络已被开发用于自动识别手写字符，无论是字母还是数字。以下是用于字符识别的某些 ANN −

虽然反向传播神经网络有几个隐藏层，但从一层到下一层的连接模式是局部化的。类似地，新认知网络也拥有几个隐藏层，并且它针对此类应用分层进行训练。

签名是在法律交易中授权和验证某个人的最有用的方法之一。签名验证技术是一种非视觉技术。

对于此应用，第一种方法是提取特征或代表签名的一组几何特征。利用这些特征集，我们必须使用有效的神经网络算法训练神经网络。此经过训练的神经网络在验证阶段将签名分类为真品或伪造。

这是识别给定人脸的生物识别方法之一。这是典型的任务，因为其表征为“非人脸”图像。但如果神经网络接受了良好的训练，那么它可以根据图像将图像分为两类，即有脸的图像和没有脸的图像。

首先，必须对所有输入图像进行预处理。然后，必须减小该图像的维数。最后，必须使用神经网络训练算法对其进行分类。以下神经网络用于使用经过预处理的图像进行训练目的 −