人工神经网络主要有哪些特点？

人工神经网络(Artificial Neural Network，即ANN )是从信息处理角度对人脑神经元网络进行抽象，是20世纪80年代以来人工智能领域兴起的研究热点，其本质是一种运算模型，由大量的节点(或称神经元)之间相互联接构成，在模式识别、智能机器人、自动控制、生物、医学、经济等领域已成功地解决了许多现代计算机难以解决的实际问题，表现出了良好的智能特性。

人工神经网络的特点和优越性，主要表现在三个方面：第一，具有自学习功能。例如实现图像识别时，只在先把许多不同的图像样板和对应的应识别的结果输入人工神经网络，网络就 会通过自学习功能，慢慢学会识别类似的图像。自学习功能对于预测有特别重要的意义。预期未来的人工神经网络计算机将为人类提 供经济预测、市场预测、效益预测，其应用前途是很远大的。第二，具有联想存储功能。用人工神经网络的反馈网络就可以实现这种联想。

第三，具有高速寻找优化解的能力。寻找一个复杂问题的优化解，往往需要很大的计算量，利用一个针对某问题而设计的反馈型 人工神经网络，发挥计算机的高速运算能力，可能很快找到优化解。

人工神经网络突出的优点：(1)可以充分逼近任意复杂的非线性关系;(2)所有定量或定性的信息都等势分布贮存于网络内的各神经元，故有很强的鲁棒性和容错性;(3)采用并行分布处理方法，使得快速进行大量运算成为可能;(4)可学习和自适应不知道或不确定的系统;(5)能够同时处理定量、定性知识。

(1)人工神经网络具有大规模的并行协同处理能力。每一个神经元的功能和结构都很简单，但是由大量神经元构成的整体却有很强的处理能力。(2)人工神经网络具有较强的容错能力和联想能力。单个神经元或者连接对网络整体功能的影响都比较微小。在神经网络中，信息的存储与处理是合二为一的，信息的分布存放在几乎整个网络中。所以，当其中某一个点或者某几个点被破坏时，信息仍然可以被存取。系统在受到局部损伤时还可以正常工作。当然这并不是 说对于训练好的网络可以任意修改。不过由于信息的分布存放。所以对某些网络来说，当它完成学习后(即训练好之后);如果再让它学习新的东西，就会破坏原来已学会的东西。(3)人工神经网络具有较强的学习能力神经网络的学习可分为有教师学习与无教师学习两类。由于其运算的不精确性，故表现 出“去噪声、容残缺”的能力。利用这种不精确性，可比较自然地实现模式的自动分类。其具 有很强的泛化能力与抽象能力。(4)人工神经网络是一个大规模自组织、自适应的非线性动力系统人工神经网络具有一般非线性动力系统的共性，即不可预测性、耗散性、高维性不可 逆性、广泛连接性和自适应性等。

神经网络的基本属性反映了神经网络特点，主要表现在：1.并行分布式处理 神经网络具有高度的并行结构和并行实现能力，具有高速寻找优化解的能力，能够发挥计算机的高速运算能力，可能很快找到优化解。 2.非线性处理 人脑的思维是非线性的，故神经网络模拟人的思维也应是非线性的。这一特性有助于处理非线性问题。3.具有自学习功能 通过对过去的历史数据的学习，训练出一个具有归纳全部数据的特定的神经网络，自学习功能对于预测有特别重要的意义。4.神经网络的硬件实现 要使人工神经网络更快、更有效地解决更大规模的问题，关键在于其超大规模集成电路(V LSI)硬件的实现，即把神经元和连接制作在一块芯片上(多为CMOS)构成ANN，神经网络的VLSI设计方法近年来发展很快，硬件实现已成为ANN的一个重要分支。

人工神经网络中，神经元处理单元可表示不同的对象，例如特征、字母、概念，或者一些有意义的抽象模式。网络中处理单元的类型分为三类：输入单元、输出单元和隐单元。输入单元接受外部世界的信号与数据;输出单元实现系统处理结果的输出;隐单元是处在输入和输出单元之间，不能由系统外部观察的单元。神经元间的连接权值反映了单元间的连接强度，信息的表示和处理体现在网络处理单元的连接关系中。人工神经网络是一种非程序化、适应性、大脑风格的信息处理，其本质是通过网络的变换和动力学行为得到一种并行分布式的信息处理功能，并在不同程度和层次上模仿人脑神经系统的信息处理功能。