神经网络的应用神经网络的应用有哪些？

概率神经网络主要是用来做什么的？

作用：这种网络已较广泛地应用于非线性滤波、模式分类、联想记忆和 概率密度估计当中。

概率神经网络是由Specht博士在1989年提出的，它与统计信号处理 的许多概念有着紧密的联系。

当这种网络用于检测和模式分类时，可以 得到贝叶斯最优结果。

它通常由4层组成。

第一层为输入层，每个神经 元均为单输入单输出，其传递函数也为线性的，这一层的作用只是将输 入信号用分布的方式来表示。

第二层称之为模式层，它与输入层之间通 过连接权值Wij相连接.模式层神经元的传递函数不再是通常的Sigmoid 函数，而为 g(Zi)=exp[(Zi-1)/(s*s)] 其中，Zi为该层第i个神经元的输入，s为均方差。

第三层称之为累加层 ，它具有线性求和的功能。

这一层的神经元数目与欲分的模式数目相同 。

第四层即输出层具有判决功能，它的神经元输出为离散值1和-1（或0 ），分别代表着输入模式的类别。

许多研究已表明概率神经网络具有如下特性： (1)训练容易，收敛速度快，从而非常适用于实时处理； (2)可以完成任意的非线性变换，所形成的判决曲面与贝叶斯最优 准则下的曲面相接近； (3)具有很强的容错性； (4)模式层的传递函数可以选用各种用来估计概率密度的核函数， 并且，分类结果对核函数的形式不敏感； (5)各层神经元的数目比较固定，因而易于硬件实现。

请大神帮我理解一下神经网络在这里的用处。

不用抠这些字眼。

其实主要是看你的网络的输出是什么形式的。

如果是单输出，则输出可能可以量化为0.1、0.5、0.9.如果是多输出，就可以是[1，0，0][0，1，0][0，0，1].这两种方法的最终作用都差不多，但是从形式上来看，一个偏向于函数拟合，一个侧重于分类。

人工神经网络由于其独特的模型结构和固有的非线性模拟能力，以及高度的自适应和容错特性等突出特征，在控制系统中获得了广泛的应用。

其在各类控制器框架结构的基础上，加入了非线性自适应学习机制，从而使控制器具有更好的性能。

基本的控制结构有监督控制、直接逆模控制、模型参考控制、内模控制、预测控制、最优决策控制等。

人工神经网络在环境中有哪些应用

模式识别是对表征事物或现象的各种形式的信息进行处理和分析，来对事物或现象进行描述、辨认、分类和解释的过程。

该技术以贝叶斯概率论和申农的信息论为理论基础，对信息的处理过程更接近人类大脑的逻辑思维过程。

现在有两种基本的模式识别方法，即统计模式识别方法和结构模式识别方法。

人工神经网络是模式识别中的常用方法，近年来发展起来的人工神经网络模式的识别方法逐渐取代传统的模式识别方法。

经过多年的研究和发展，模式识别已成为当前比较先进的技术，被广泛应用到文字识别、语音识别、指纹识别、遥感图像识别、人脸识别、手写体字符的识别、工业故障检测、精确制导等方面。

神经网络的应用有哪些？

神经网络的作用：（未尽之言参照百度百科） {模拟人类实际神经网络的数学方法问世以来，人们已慢慢习惯了把这种人工神经网络直接称为神经网络。

神经网络在系统辨识．模式识别，智能控制等领域有着广泛而吸引人的前景。

特别在智能控制中，人们对神经网络的自学习功能尤其感兴趣，并且把神经网络这一重要特点看作 是解决自动控制中按制器适应能力这个难题的关键钥匙之一。

神经网络的基础在于神经元。

神经元是以生物神经系统的神经细胞为基础的生物模型。

在人们对生物神经系统进行研究，以探讨人工智能的机制时，把神经元数学化，从而产生了神经元数学模型。

大量的形式相同的神经元连结在—起就组成了神经网络。

神经网络是一个高度非线性动力学系统。

虽然，每个神经元的结构和功能都不复杂，但是神经网络的动态行为则是十分复杂的；因此，用神经网络可以表达实际物理世界的各种现象。

神经网络模型是以神经元的数学模型为基础来拥述的。

神经网络模型由网络拓扑．节点特点和学习规则来表示 主要使用的方面： 1．并行分布处理。

2．高度鲁棒性和容错能力。

3．分布存储及学习能力。

4．能充分逼近复杂的非线性关系。