神经网络与matlab仿真

摘要

随着技术的发展，人工神经网络在各个方面应用越来越广泛，由于matlab仿真技术对神经网络的建模起着十分重要的作用，因此，本文通过讨论神经网络中基础的一类——线性神经网络的matlab仿真，对神经网络的matlab仿真做一个基本的了解和学习。

关键词：人工神经网路matlab仿真线性神经网络

1 神经网络的发展及应用

人工神经网络(Artificial Neural Network，简称ANN)是一种高度并行的信息处理系统，它具有高度的容错性，自组织能力和自学习能力；它以神经科学的研究成果为基础，反映了人脑功能的若干基本特性，对传统的计算机结构和人工智能方法是一个有力的挑战，其目的在于探索人脑加工、储存和搜索信息的机制，进而应用于人工智能系统。

1.1 神经网络的研究历史及发展现状

神经网络的研究已有较长的历史。1943年，心理学家McCulloch和数学家Pitts合作提出形式(兴奋与抑制型)神经元的数学模型(MP模型)，开创了神经科学理论研究的时代。1944年，Hebb提出了神经元连接强度的修改规则，它们至今仍在各种神经网络模型中起着重要作用。50年代末60年代初，开始了作为人工智能的网络系统的研究。1958年，F.Rosenblatt首次引进了模拟人脑感知和学习能力的感知器概念，它由阈值性神经元组成。1962年，B.Widrow提出的自适应线性元件(adaline)，具有自适应学习功能，在信息处理、模式识别等方面受到重视和应用。在这期间，神经网络大都是单层线性网络。此时，人们对如何解决非线性分割问题很快有了明确的认识，但此时，计算机科学已被人工智能研究热潮所笼罩。80年代后，传统的数字计算机在模拟视听觉的人工智能方面遇到了物理上不能逾越的基线，此时，物理学家Hopfield提出了HNN模型，引入了能量函数的概念，给出了网络稳定性的判据，同时开拓了神经网络用于联想记忆和优化计算的新途径。神经网络的热潮再次掀起。此后，Feldmann和Ballard 的连接网络模型指出了传统的人工智能“计算”与生物的“计算”的不同点，给出了并行分布的计算原则；Hinton和Sejnowski提出的Boltzman机模型则急用了统计物理学的概念和方法，首次采用了多层网络的学习算法，保证整个系统趋于全局稳定点；Rumelhart和McClelland等人发展了多层网络的BP算法；Kosko提出了双向联想记忆网络；Hecht-Nielsen提出了另一种反向传播网络，可用于图像压缩和统计分析；Holland提出了分类系统类似于以规则为基础的专家系统。这些努力为神经网络的后期发展奠定了牢固的基础。

目前，神经网络在研究方向上已经形成多个流派，包括多层网络BP算法，Hopfield网络模型，自适应共振理论(ART)，自组织特征映射理论等。1987年，IEEE在San Diego召开大规模的神经网络国际学术会议，国际神经网络学会也随之诞生。

迄今为止的神经网络研究。大体可分为三个大的方向：