人工神經網路是由大量節點相互連線構成的具有資訊響應的網狀拓撲結構，可用於模擬人腦神經元的活動過程，它反映了人腦功能的基本特性，包括諸如資訊加工、處理和儲存等過程。到目前為止，已經發現的人工神經網路特徵主要有非線性、並行處理和容錯性，並具有聯想、自學習、自組織和自適應能力。
一、非線性
人工神經網路可以很好地處理非線性問題，是因為其內部的組成單元——神經元可以處於啟用或抑制兩種不同的狀態，這種行為在數學上理解就是具有非線性。同時，人工神經網路是大量神經元的集體行為，並不是單個神經元行為的簡單的相加，所以會表現出複雜非線性動態系統的特性。在實際問題處理中，輸人與輸出之間會存在複雜的非線性關係，通過設計神經網路對系統輸人輸出樣本進行訓練學習，可以任意精度地去擬合逼近複雜的非線性函式，解決環境資訊十分複雜、知識背景不清楚和推理規則不明確的一些問題。
二、並行處理
人工神經網路的結構採用大量的處理單元併聯組合而成，且處理順序也是並行的方式，即在它所處同層的處理單元都是同時操作的。它的資訊儲存的方式採用的是分布式，將儲存資訊分散到所有的連線權當中共同儲存，而大量的神經元並行處理就會有較快的處理速度。
三、容錯性和聯想能力
在生物系統中資訊不是儲存在某個位置，而是按內容而分布在整個網路上的。神經網路個神經元不是只儲存乙個外部資訊，而是儲存多種資訊的部分內容。因為神經網路具有這種分布儲存形式，所以如果網路中部分的神經元遭到損壞，那麼並不會對整體造成較大的影響。再者，將處理的資料資訊儲存在神經元之間的權重中，這就類似於大腦對資訊的儲存是在突觸之間的活動當中。這種分布式儲存演算法是將運算與儲存合為一體的，當資訊不完整的時候，就可通過聯想記憶對其進行恢復，所以說人工神經網路具有強大的容錯性和聯想記憶能力，可以在不完整的資訊和干擾中進行特徵提取並復原成完整的資訊。
四、自學習、自組織和自適應能力
人工神經網路具有很強的自學習能力，可以在不斷的訓練中來獲得合適的權值和結構。人工神經網路在處理資訊的同時改變權重大小，會得到不同的結果，並且可以通過一定的訓練得出期望的輸出值。人工神經網路系統可以在外部環境刺激下按一定規則調整神經元之間的突觸連線強度，逐步構建神經網路，這個過程就被稱為網路的自組織。而自適應是指人工神經網路具有可以通過改變自身的結構與條件來適應不同環境的能力。
以上幾點就是人工神經網路的主要特點，也是參考其他地方的資料進行總結的，僅供參考噶！！！
人工神經網路 多層神經網路
模型原型 sklearn.neural network.mlpclassifier hidden layer sizes 100,activation relu algorithm adam alpha 0.0001,batch size auto learning rate constant le...
人工神經網路
人工神經網路 artificial neural network,ann 通過對大量歷史資料的計算來建立分類和 模型。神經網路的學習就是通過迭代演算法對權值逐步修改優化的過程。學習的目標是通過修改權值是訓練樣本集中所有樣本都能被正確分類。人工神經元用於模擬生物神經元，人工神經元可以看作乙個多輸入 單...
人工神經網路
import numpy as np import matplotlib.pyplot as plt import pandas as pd import seaborn as sns from sklearn.model selection import train test splitann建模...