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。
Why Artificial Neural Networks?
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:
-
借助神经网络,我们可以找到算法方法昂贵或不存在的问题的解决方案。
-
神经网络可以通过示例学习,因此,我们不需要在很大程度上对其进行编程。
-
与传统速度相比,神经网络具有更高的准确性和速度。
Areas of Application
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。
Speech Recognition
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:
-
Multilayer networks
-
具有递归连接的多层网络
-
Kohonen self-organizing feature map
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。
Character Recognition
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 −
-
多层神经网络,如反向传播神经网络。
-
Neocognitron
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。