神经网络挑战人类大脑

b

<><FONT color=#ff6600 size=3><B>
<TABLE cellSpacing=5 cellPadding=0 width="100%" border=0>

<TR>
<TD>
<DIV align=center>
<><FONT color=#ff6600 size=3><B>神经网络挑战人类大脑</B></FONT></P></DIV></TD></TR>
<TR>
<TD align=left>作者：■中国科技大学计算机系　邢方亮     </TD></TR>
<TR>
<TD>
神经网络是对人类大脑的功能模拟，它可以模仿人脑的并行和非线性思维，极大地延伸了人类的智慧。

神经计算是计算智能的一种手段，它泛指应用人工神经网络（ANN，Artificial Neural Network）进行的各种不同用途的数值计算方法，它可以模仿人脑的并行和非线性思维，具有自组织、自学习、自适应的智能特性，同时拥有良好的容错性及鲁棒性，a因而拥有广泛的应用和巨大的发展潜力。

从宏观而言，到目前为止，ANN仍是模拟人脑的模式识别、联想、发散思维、判断、决策等经验或直觉的理想工具，其神经元模型、网络拓扑、学习与训练算法，也正是建立在对生物神经系统的研究上的。虽然这些方面的研究还远未达到令人满意的程度，而且人工神经网络仅仅是对人脑粗略而简单的模拟，无论是在规模上，还是在功能上，与人脑相比都差得很远。但是，在军事、工业、生产、科研等领域的模式识别、图像理解、智能控制、优化问题、决策、预测、诊断、通信等方面，ANN已经得到广泛的应用，并取得了令人满意的效果。人工神经网络的提出及其研究目的就在于探索人脑加工、存储和处理信息的机制，进而研制具有人类智能的机器。

神经网络，

人脑的抽象和模拟

人类大脑约由1000亿个神经元组成，而每个神经元与其他神经元的连接多达104条。不但每个神经元本身是一个错综复杂的系统，而且这些神经元又以高度复杂的方式相互连接。目前已知的不同形态的神经元约有20种之多。

人工神经网络的研究经历了近半个世纪的发展，虽然几经曲折，但还是取得了许多丰硕的成果。人工神经元模型建立在对生物神经细胞的模拟之上。从研究的角度而言，人工神经网络每一次重大突破都得益于对人类生物神经元在工作机制研究中的成果。

早在1949年，神经生物学家Hebb就在其著作《Organization of behavior》中提出了著名的Hebb学习规则，假设了人脑神经元细胞联接强度的改变是学习和记忆的基础。其基本思想是假设大脑经常在突触上做微妙变化，突触联结强度的可变是学习和记忆的基础，其过程导致了大脑自组织形成细胞集合（几千个神经元的子结合），其中循环神经冲动会自我强化，并继续循环，任何一个神经元同属于多个细胞集合。因此可以说，神经细胞集合是大脑思维信息的基本量子。

图1所示是一个实际的人脑神经元细胞。一般认为神经元从树突接受刺激，由细胞核做出反应，通过轴突和突触向外传递其反应信号。人脑就是由无数这种简单的神经细胞互联而形成的的庞大且复杂的网络（如图2）。

<IMG src="http://www.robochina.org/web/cms/upload/article_img/20031108200317_b58_2t1.jpg" border=0><IMG src="http://www.robochina.org/web/cms/upload/article_img/20031108200325_b58_2t2.jpg" border=0>
在数学上，我们可以对生物神经细胞进行建模和模拟，例如上边的单个神经元可以看成图3所示的模型。p是输入的刺激信号，经过神经连接权值w和偏差b的处理，再由神经元激活函数f计算出输出值a。我们可以通俗地把这看成由p到a的一个映射关系，那么学习就是想方设法地调节w和b，使得对应不同的输入p，给出特定的映射a。例如：p=[你好]时，我们希望输出是a=[Hello]，那么w和b可以通过某种学习算法而获得，从而实现我们所希望的输入输出关系，这在模式识别的应用中不胜枚举。复杂一点的神经网络可以如图4所示（图中每一个圆圈代表上边一个神经元）。

<IMG src="http://www.robochina.org/web/cms/upload/article_img/20031108200330_b58_2t3.jpg" border=0><IMG src="http://www.robochina.org/web/cms/upload/article_img/20031108200336_b58_2t4.jpg" border=0>


在目前的研究中有很多不同种类的神经网络，从功能、拓扑结构、计算原理上，又可以将它们分做不同的类别。上述是典型的前馈网络，从输入到输出都是直接映射，另外还有反馈型神经网络，如著名的Hopfield网络（如图5）。  
<IMG src="http://www.robochina.org/web/cms/upload/article_img/20031108200342_b58_2t5.jpg" border=0>

从学习类型上看，可以将神经网络分成有导师的（神经元权值的调整需要监督）和无导师的（神经网可以自行学习、发现知识）两类。例如，自组织竞争神经网络就是典型的无导师网络。在下面的应用案例中，我们就用这种网络去发现特定说话人的语音声纹特征。

神经计算，应用潜力无穷

由于神经网络具有优异的非线性学习能力，因此它在诸多领域都有广泛应用。例如，在航天工业中，它被应用于高性能飞行器自动导航仪、飞行控制系统等；在汽车工业中，它被用于汽车自动驾驶系统；在金融界被应用于信贷申请评估；在国防领域被用来进行武器操纵、目标识别、信号处理等。另外，在娱乐业、市场预测、生产制造、医疗诊断系统、机器人、语音识别、电信等领域，神经计算都大显身手，成为无可替代的智能工具。

笔者介绍两个应用案例，供读者参考，希望能起到抛砖引玉的作用。

神经计算用于海量词汇学习及信息挖掘。传统的基于关键字向量空间统计等方法的信息搜索技术在智能性方面还有待进一步提高。人们越来越希望计算机能找到他们最想要的信息。这种需求就要求信息检索系统具备学习能力和高速计算能力。系统应该能学习用户的爱好、需求，或者学习某一相关内容的文字，然后根据学习的结果去为用户搜索相关信息。只有这样才能使用户对找到的东西更满意，而不是在搜索结果中再费力地逐一查看哪一个更贴近自己的需求。

笔者在研究这一课题时采用ANN来学习海量词汇，一个1×2×1的BP网最多可以学习1万个以上的词汇，并能够在所学词汇再次出现时对其做出相应的评价。假使我们需要一篇论述“人工智能与计算智能”的文献，只输入关键词是不明智的，好的做法应该是，首先派一组ANN去学习与此内容相关的文档，文档中包括了相关内容的词汇，那么当这一组ANN替你去找信息的时候，它不是以个别词的出现来定位信息，而是以学习过的相关内容为判断依据。当然它会把找到的信息按贴近程度进行排序，把最能体现它学习内容的信息排到前面。这种按照信息价值评级的检索和能学习的信息代理是不是更能贴近用户呢？

利用最新的研究成果，系统还能学习、记忆用户的爱好、使用经验等，计算机越来越人性化了，相信终归有一天，你只要对着电脑说出你想要的东西，它就能替你找到。  

上述检索过程可以用一个框图（图６）表示。
<IMG src="http://www.robochina.org/web/cms/upload/article_img/20031108200346_b58_2t6.jpg" border=0>

神经计算用于说话人声纹识别。说话人识别是一个十分有用的应用领域，例如在海湾战争中，科学家们就曾利用声纹来判别萨达姆的讲话是真是假。除此之外，声纹识别在电话银行交易、电子商务、法庭鉴别、保密、身份验证等许多方面都有典型的应用案例。

一般的声纹识别过程如图7所示。  
<IMG src="http://www.robochina.org/web/cms/upload/article_img/20031108200352_b58_2t7.jpg" border=0>
笔者在研究工作中，采用SOFM (Sdf-Organizing-Feafare-Hap) 神经网络可以非常有效地提取特定人的声纹参数。这种网络是无导师型的神经网络，它可以从众多声纹参数中统计学习到与说话人有关的声音参数，实践效果很好。

人工神经网络在其他语音技术方面也有着广泛应用。比如在语音合成技术中，用其产生音素参数和浊音声道参数、将音素转成语音等。据了解，目前已经有人用神经网络学习汉语的韵律特征，并用于TTS（Text-to-Speech）系统之中。

神经计算用途广泛、能力卓越，它与其他智能计算或传统AI技术相结合，可以表现更加优异的性能，例如，它可以指导普通人在10天之内背会6000英文单词（详见本期专题《序结构创造人类记忆神话》）等。

</TD></TR></TABLE></B></FONT></P>