全部笔记的汇总贴：《人工神经网络原理》-读书笔记汇总
一、神经网络与专家系统的比较
知识表示
- 专家系统中知识表示的原始形式都是基于形式化的符号，知识都是显式的、描述性表示的；
- 神经网络对知识的表示是隐式的，它用网络的拓扑结构表示节点之间的相互关系。
知识获取
- 专家系统获取知识的主要途径是机械学习与讲授式学习，并且获取的必须是一些确定性的，不含噪声的知识，否则将影响系统结论的正确性；
- 神经网络具有较强的自组织、自学习和自适应能力，能够从数字化的实例中通过学习获得符号化的概念，还能够从已有的知识库或领域专家对知识的显式陈述中获取知识，并且可以处理不精确的、不完全的、含噪声的知识。
知识推理
- 专家系统主要采用逻辑推理，推理时按照一定的匹配算法及搜索策略去知识库中寻找相应的知识，通常是一种确定性的推理，并且是串行处理方式，推理效率不高，不易解决规则的冲突消解问题；
- 神经网络的推理过程可以达到不确定性推理的效果，并且神经网络所具有的固有的并行推理能力，大大提高了推理效率，解决了逻辑推理中的冲突问题。
结论解释
- 专家系统能清晰地向用户解释得到的结论；
- 神经网络难以对结论给出清晰地解释。
二、神经网络与模拟系统的比较
神经网络与模拟系统的结合
- 将ANN引进模糊系统
将ANN作为模糊系统中隶属函数、模糊规则和扩展原理的网络化描述形式。 - 将模糊性原理引入现有的ANN中
将训练及工作过程中的神经网络结构视为一种模糊的类别标志。
将模糊原理应用到神经元，使得神经元在功能上表现为各种模糊运算操作，例如模糊交集、模糊加权等。
对神经网络的输入数据进行模糊化预处理。
将模糊关系引入神经网络结构，将其与神经网络的学习机制相结合。