加载中…
个人资料
知识有余智慧不足
知识有余智慧不足
  • 博客等级:
  • 博客积分:0
  • 博客访问:37,947
  • 关注人气:20
  • 获赠金笔:0支
  • 赠出金笔:0支
  • 荣誉徽章:
相关博文
推荐博文
正文 字体大小:

神经网络模型能用于目标识别吗的戏说

(2012-07-11 13:15:35)
标签:

杂谈

咋一听到神经网络,直接就联想到神秘的高科技,马上就联系上神人等等诸种膜拜,至少作者是这么联想的。

神经网络出过风头。解放初期,神经网络概念刚提出不久,其中的神秘与好奇让不少人兴奋到虚脱。作者猜想,当初,一定存在超人,幻想过用神经网络来替代概念模型的原型。经历了十余年的兴奋期后,不少人在实践中逐步感悟到神经网络还有那么点“神经兮兮“:有时灵光有时歇菜,有时还弄出些似是而非的东西。于是,不少人在爱恨交之加中远离了神经网络。有史学家把它称之为“神经网络低潮期”。

 

到了80年代,一位对”神经网络“不离不弃的老美物理学家,以超凡的手法给寂寞中的神经网络新的刺激,再次激活了沉默十年之久的”神经网络“。按照这位大学者的说法,他赋予”神经网络学习功能“。这还了得?上帝仅仅是造了一个人,这个人的学习能力还是从”苹果“那儿弄到的。这简直就是超越上帝的做法?了不得。于是,大批人群又开始围观”神经网络“。一直持续到现在,围观人群还没有散去。作者天性爱热闹,一不小心且带有某种故意性地凑了上去。这就引来了作者的一番感慨。是为题记。

 

简单点说,神经网络首先是生物学上的概念,是某些大学者对生物CPU经过一系列的观察与分析后总结出的一种模型,这种模型能够用来描述生物对外界刺激的响应过程,以及这种刺激在生物体内的残留方式,其中被称为神经元以及神经元之间的连接机构的部件是产生这种物理过程的关键部件。研究进一步证实,当这样的网络被刺激后,神经元之间的连接机构会发生某种变化,而持续不断的刺激会使这种变化趋向于一种不变的形态。科学家总结说,这就是记忆与学习的原理。

 

神经网络概念从生物学向其他领域蔓延,最初源自仿生学的好奇。直观上的模拟,就是用某种函数来模拟神经元的作用,用一系列的因子来模拟神经元之间的连接机构,并采用分层方式把这些模拟器件有选择性地连接在一起。(抱歉,作者还没有彻底领会分层的原理)。这样一整套的系统就组成了某些人群热衷讨论的”神经网络“。

 

上述模型更进一步地可以表达为:模型中任意一个神经元选择性地(注意:选择性)以其他神经元的输出作为输入,这些输入的线性组合被激活(注意:激活)后又被当作其他神经元的输入,这样逐级(注意:逐级)处理后,某些神经元的输出组合(注意:组合)被认为是最原始输入的客观反映。这是最早的前向神经网络概念。

在这样的模型中,线性组合是关键概念之一,组合建立起了各神经元之间的关系,而组合过程中采用(注意:严格意义上讲是获取)的组合因子倾向于激励或者抑制某种输入成分。这与老子在《道德经》中宣扬的”天之道损有余而补不足“是一样的道理。

 

一旦获取到这些组合因子,给定的输入就能从输出端完全捕获。大家是这么想的,可惜天不遂人意。甚至,有科学家证明了,这套系统不能处理”异或“问题。

 

慢慢长夜路,何处是尽头。不在沉默中爆发,就在沉默中歇菜。(谁说的?)老美一插手,科学到春天,前向神经网络转了”向“。

 

老美物理学家把前向神经网络中的输出引回到某些神经元,要求总输出的偏差绝对最小(注意:绝对最小等同全局最小),通过这样的附加条件来获取组合因子。数学上可以证明,只要神经网络被仔细设计,这些组合因子总是可以通过迭代的方式获取到。

 

确实,经过这样修改后,老问题迎刃而解,新问题也能从中获益。当然其本身也毫不例外地带来一些半新不旧的问题。

首先,神经网络模型是生物学上的简单模拟,对于有着多大100亿个神经元的大脑,这样的简单模拟是否真的恰如其分地反应了本质规律。

其次,即便这样的简单模拟能用来解决某些具有相同特征的问题,不同的神经网络组织方式在其中又起到什么样的作用?

再则,不依赖全局特性所获取到的最小偏差不能被证明是普遍有效的。这也是大多数采用神经网络算法的工作者遇到的问题。

 

后向神经网路通常简称为BP算法。从目前收集到信息来看,无论是匹配还是识别,解答的可信度不超过80%。这个数字与其他算法比较不算突出。如果数学功底好,编程技巧高,不妨试试神经网络。任何一点进步都会名垂青史。

0

阅读 评论 收藏 转载 喜欢 打印举报/Report
  • 评论加载中,请稍候...
发评论

    发评论

    以上网友发言只代表其个人观点,不代表新浪网的观点或立场。

      

    新浪BLOG意见反馈留言板 电话:4000520066 提示音后按1键(按当地市话标准计费) 欢迎批评指正

    新浪简介 | About Sina | 广告服务 | 联系我们 | 招聘信息 | 网站律师 | SINA English | 会员注册 | 产品答疑

    新浪公司 版权所有