㈠ 神經網路技術有什麼功能
神經網路技術對完成對微弱信號的檢驗和對各感測器信息實時處理，具有自適應自學習功能，能自動掌握環境特徵，實現自動目標識別及容錯性好，抗干擾能力強等優點。神經網路技術特別適用於密集信號環境的信息處理、數據收集目標識別、圖像處理、無源探測與定位以及人機介面等方面，因而在作戰指揮方面有廣泛的應用前景。
㈡ 神經網路的特點
不論何種類型的人工神經網路，它們共同的特點是，大規模並行處理，分布式存儲，彈性拓撲，高度冗餘和非線性運算。因而具有很髙的運算速度，很強的聯想能力，很強的適應性，很強的容錯能力和自組織能力。這些特點和能力構成了人工神經網路模擬智能活動的技術基礎，並在廣闊的領域獲得了重要的應用。例如，在通信領域，人工神經網路可以用於數據壓縮、圖像處理、矢量編碼、差錯控制（糾錯和檢錯編碼）、自適應信號處理、自適應均衡、信號檢測、模式識別、ATM流量控制、路由選擇、通信網優化和智能網管理等等。
人工神經網路的研究已與模糊邏輯的研究相結合，並在此基礎上與人工智慧的研究相補充，成為新一代智能系統的主要方向。這是因為人工神經網路主要模擬人類右腦的智能行為而人工智慧主要模擬人類左腦的智能機理，人工神經網路與人工智慧有機結合就能更好地模擬人類的各種智能活動。新一代智能系統將能更有力地幫助人類擴展他的智力與思維的功能，成為人類認識和改造世界的聰明的工具。因此，它將繼續成為當代科學研究重要的前沿。
㈢ 神經網路主要用於什麼問題的求解
神經網路的研究可以分為理論研究和應用研究兩大方面。
理論研究可分為以下兩類：
1、利用神經生理與認知科學研究人類思維以及智能機理。
2、利用神經基礎理論的研究成果，用數理方法探索功能更加完善、性能更加優越的神經網路模型，深入研究網路演算法和性能，如：穩定性、收斂性、容錯性、魯棒性等；開發新的網路數理理論，如：神經網路動力學、非線性神經場等。
應用研究可分為以下兩類：
1、神經網路的軟體模擬和硬體實現的研究。
2、神經網路在各個領域中應用的研究。這些領域主要包括：
模式識別、信號處理、知識工程、專家系統、優化組合、機器人控制等。隨著神經網路理論本身以及相關理論、相關技術的不斷發展，神經網路的應用定將更加深入。
http://ke..com/view/5348.htm?fr=ala0_1
㈣ 關於神經網路信號處理
神經元網路應用面很廣，理論上說它可以應用到你能想到的各個領域，神經元網路在信號處理方面的應用我接觸過的有數據壓縮，模式識別，還有很多，前景不錯。
㈤ 神經網路到底有什麼作用，具體是用來干什麼的
神經網路（Artificial Neural Networks，簡寫為ANNs）也簡稱為神經網路（NNs）或稱作連接模型（Connection Model），它是一種模仿動物神經網路行為特徵，進行分布式並行信息處理的演算法數學模型。這種網路依靠系統的復雜程度，通過調整內部大量節點之間相互連接的關系，從而達到處理信息的目的。
神經網路可以用於模式識別、信號處理、知識工程、專家系統、優化組合、機器人控制等。隨著神經網路理論本身以及相關理論、相關技術的不斷發展，神經網路的應用定將更加深入。
㈥ 神經網路到底能幹什麼
神經網路利用現有的數據找出輸入與輸出之間得權值關系（近似），然後利用這樣的權值關系進行模擬，例如輸入一組數據模擬出輸出結果，當然你的輸入要和訓練時採用的數據集在一個范疇之內。例如預報天氣：溫度 濕度 氣壓等作為輸入 天氣情況作為輸出利用歷史得輸入輸出關系訓練出神經網路，然後利用這樣的神經網路輸入今天的溫度 濕度 氣壓等 得出即將得天氣情況當然這樣的例子不夠精確，但是神經網路得典型應用了。希望採納！
㈦ 人工神經網路可以解決哪些問題
信息領域中的應用：信息處理、模式識別、數據壓縮等。
自動化領域：系統辨識、神經控制器、智能檢測等。
工程領域：汽車工程、軍事工程、化學工程、水利工程等。
在醫學中的應用：生物信號的檢測與分析、生物活性研究、醫學專家系統等。
經濟領域的應用：市場價格預測、風險評估等。
此外還有很多應用，比如交通領域的應用，心理學領域的應用等等。神經網路的應用領域是非常廣的。
㈧ 概率神經網路主要是用來做什麼的
作用：這種網路已較廣泛地應用於非線性濾波、模式分類、聯想記憶和
概率密度估計當中。
概率神經網路是由Specht博士在1989年提出的，它與統計信號處理
的許多概念有著緊密的聯系。當這種網路用於檢測和模式分類時，可以
得到貝葉斯最優結果。它通常由4層組成。第一層為輸入層，每個神經
元均為單輸入單輸出，其傳遞函數也為線性的，這一層的作用只是將輸
入信號用分布的方式來表示。第二層稱之為模式層，它與輸入層之間通
過連接權值Wij相連接.模式層神經元的傳遞函數不再是通常的Sigmoid
函數，而為
g(Zi)=exp[(Zi-1)/(s*s)]
其中，Zi為該層第i個神經元的輸入，s為均方差。第三層稱之為累加層
，它具有線性求和的功能。這一層的神經元數目與欲分的模式數目相同
。第四層即輸出層具有判決功能，它的神經元輸出為離散值1和-1（或0
），分別代表著輸入模式的類別。
許多研究已表明概率神經網路具有如下特性：
(1)訓練容易，收斂速度快，從而非常適用於實時處理；
(2)可以完成任意的非線性變換，所形成的判決曲面與貝葉斯最優
准則下的曲面相接近；
(3)具有很強的容錯性；
(4)模式層的傳遞函數可以選用各種用來估計概率密度的核函數，
並且，分類結果對核函數的形式不敏感；
(5)各層神經元的數目比較固定，因而易於硬體實現。
㈨ 一個關於信號源識別的BP神經網路 BP網路看不懂 求大神幫助
A是輸出結果矩陣。E=T-A;這一句是計算輸出與實際的誤差。
輸入、輸出不是直接的數學表達式關系，是一個非線性系統，通過訓練得到的。
BP（Back Propagation）神經網路是年由Rumelhart和McCelland為首的科學家小組提出，是一種按誤差逆傳播演算法訓練的多層前饋網路，是目前應用最廣泛的神經網路模型之一。BP網路能學習和存貯大量的輸入-輸出模式映射關系，而無需事前揭示描述這種映射關系的數學方程。它的學習規則是使用最速下降法，通過反向傳播來不斷調整網路的權值和閾值，使網路的誤差平方和最小。BP神經網路模型拓撲結構包括輸入層（input）、隱層(hidden layer)和輸出層(output layer)。
㈩ 神經網路演算法可以解決的問題有哪些
人工神經網路（Artificial Neural Networks，ANN）系統是 20 世紀 40 年代後出現的。它是由眾多的神經元可調的連接權值連接而成，具有大規模並行處理、分布式信 息存儲、良好的自組織自學習能力等特點。BP（Back Propagation）演算法又稱為誤差 反向傳播演算法，是人工神經網路中的一種監督式的學習演算法。BP 神經網路演算法在理 論上可以逼近任意函數，基本的結構由非線性變化單元組成，具有很強的非線性映射能力。而且網路的中間層數、各層的處理單元數及網路的學習系數等參數可根據具體情況設定，靈活性很大，在優化、信號處理與模式識別、智能控制、故障診斷等許 多領域都有著廣泛的應用前景。
工作原理
人工神經元的研究起源於腦神經元學說。19世紀末，在生物、生理學領域，Waldeger等人創建了神經元學說。人們認識到復雜的神經系統是由數目繁多的神經元組合而成。大腦皮層包括有100億個以上的神經元，每立方毫米約有數萬個，它們互相聯結形成神經網路，通過感覺器官和神經接受來自身體內外的各種信息，傳遞至中樞神經系統內，經過對信息的分析和綜合，再通過運動神經發出控制信息，以此來實現機體與內外環境的聯系，協調全身的各種機能活動。
神經元也和其他類型的細胞一樣，包括有細胞膜、細胞質和細胞核。但是神經細胞的形態比較特殊，具有許多突起，因此又分為細胞體、軸突和樹突三部分。細胞體內有細胞核，突起的作用是傳遞信息。樹突是作為引入輸入信號的突起，而軸突是作為輸出端的突起，它只有一個。
樹突是細胞體的延伸部分，它由細胞體發出後逐漸變細，全長各部位都可與其他神經元的軸突末梢相互聯系，形成所謂「突觸」。在突觸處兩神經元並未連通，它只是發生信息傳遞功能的結合部，聯系界面之間間隙約為（15～50)×10米。突觸可分為興奮性與抑制性兩種類型，它相應於神經元之間耦合的極性。每個神經元的突觸數目正常，最高可達10個。各神經元之間的連接強度和極性有所不同，並且都可調整、基於這一特性，人腦具有存儲信息的功能。利用大量神經元相互聯接組成人工神經網路可顯示出人的大腦的某些特徵。
人工神經網路是由大量的簡單基本元件——神經元相互聯接而成的自適應非線性動態系統。每個神經元的結構和功能比較簡單，但大量神經元組合產生的系統行為卻非常復雜。
人工神經網路反映了人腦功能的若干基本特性，但並非生物系統的逼真描述，只是某種模仿、簡化和抽象。
與數字計算機比較，人工神經網路在構成原理和功能特點等方面更加接近人腦，它不是按給定的程序一步一步地執行運算，而是能夠自身適應環境、總結規律、完成某種運算、識別或過程式控制制。
人工神經網路首先要以一定的學習准則進行學習，然後才能工作。現以人工神經網路對於寫「A」、「B」兩個字母的識別為例進行說明，規定當「A」輸入網路時，應該輸出「1」，而當輸入為「B」時，輸出為「0」。
所以網路學習的准則應該是：如果網路作出錯誤的的判決，則通過網路的學習，應使得網路減少下次犯同樣錯誤的可能性。首先，給網路的各連接權值賦予(0，1)區間內的隨機值，將「A」所對應的圖象模式輸入給網路，網路將輸入模式加權求和、與門限比較、再進行非線性運算，得到網路的輸出。在此情況下，網路輸出為「1」和「0」的概率各為50%，也就是說是完全隨機的。這時如果輸出為「1」(結果正確)，則使連接權值增大，以便使網路再次遇到「A」模式輸入時，仍然能作出正確的判斷。