神經(jīng)網(wǎng)絡(luò )硬件實(shí)現方法(神經(jīng)網(wǎng)絡(luò )是一種控制方式)

1.神經(jīng)網(wǎng)絡(luò )是一種控制方式

通常，神經(jīng)網(wǎng)絡(luò )都是通過(guò)編程實(shí)現的，因為神經(jīng)網(wǎng)絡(luò )本質(zhì)上是種數學(xué)模型。但是，當前已經(jīng)有硬件實(shí)現方案，即FPGA現場(chǎng)可編程門(mén)陣列來(lái)實(shí)現。

人工神經(jīng)網(wǎng)絡(luò )作為一種新型的信息處理系統，由于基于傳統軟件實(shí)現，存在并行程度低和速度慢的缺點(diǎn)，使神經(jīng)網(wǎng)絡(luò )的實(shí)現不能滿(mǎn)足實(shí)時(shí)性的要求，造成了理論研究與實(shí)際應用脫節。另外，用軟件實(shí)現神經(jīng)網(wǎng)絡(luò )所需計算機體積龐大，不適合嵌入式場(chǎng)合的應用。而神經(jīng)網(wǎng)絡(luò )的硬件實(shí)現的最大特點(diǎn)就是體現了系統的并行性，處理速度快，易于滿(mǎn)足實(shí)時(shí)性要求。另外，算法的復雜程度以及在實(shí)際工程中應用的可行性仍需要通過(guò)硬件的實(shí)現效果來(lái)檢驗。因此，神經(jīng)網(wǎng)絡(luò )的硬件實(shí)現意義重大。

FPGA 現場(chǎng)可編程門(mén)陣列是一個(gè)具有大量通用邏輯單元的器件，并且它的內部邏輯可以根據實(shí)際需要進(jìn)行相應的改變。這種可重新配置的結構特征非常適合實(shí)現神經(jīng)網(wǎng)絡(luò )。

2.神經(jīng)網(wǎng)絡(luò )計算機的實(shí)現技術(shù)

人工神經(jīng)網(wǎng)絡(luò )的主要特點(diǎn)是大量神經(jīng)元之間的加權互連。這就是神經(jīng)網(wǎng)絡(luò )與光學(xué)技術(shù)相結合的重要原因。電子技術(shù)與光學(xué)技術(shù)相比，精確度高，便于程序控制，抗噪聲能力強。但是，隨著(zhù)計算機芯片集成度和速度的提高，計算機中的引線(xiàn)問(wèn)題已成為一個(gè)嚴重的障礙。由于電子引線(xiàn)不能互相短路交叉，引線(xiàn)靠近時(shí)會(huì )發(fā)生耦合，高速電脈沖在引線(xiàn)上傳播時(shí)要發(fā)生色散和延遲，以及電子器件的扇入和扇出系數較低等問(wèn)題，使得高密度的電子互連在技術(shù)上有很大困難。超大規模集成電路（VLSI）的引線(xiàn)問(wèn)題造成的時(shí)鐘扭曲（clock skew），嚴重限制了諾依曼型計算機的速度。而另一方面，光學(xué)互連是高度并行的，光線(xiàn)在傳播時(shí)可以任意互相交叉而不會(huì )發(fā)生串擾，光傳播速度極快，其延時(shí)和色散可以忽略不計，加上光學(xué)元件的扇入和扇出系數都很高，因此光學(xué)互連具有明顯的優(yōu)勢。

正因如此，許多科學(xué)家早已開(kāi)始研究采用光學(xué)互連來(lái)解決VLSI的引線(xiàn)問(wèn)題，以及芯片之間、插板之間的連接問(wèn)題。此外，光學(xué)運算的高度并行性和快速實(shí)現大信息量線(xiàn)性運算的能力，如矩陣相乘，二維線(xiàn)性變換，二維卷積、積分等，也是用光學(xué)手段實(shí)現人工神經(jīng)網(wǎng)絡(luò )的有利條件。光學(xué)信息處理雖有高速度及大信息量并行處理和優(yōu)點(diǎn)，但要滿(mǎn)足模糊運算和隨機處理的要求還是遠遠不夠的。光學(xué)信息處理性能的改進(jìn)，要求在傳統的線(xiàn)性光學(xué)處理系統中引入非線(xiàn)性，而這些問(wèn)題的解決與神經(jīng)網(wǎng)絡(luò )的光學(xué)實(shí)現恰好不謀而合。光學(xué)信息處理中的許多課題，如光計算、圖像變換、相關(guān)濾波、特征提取、邊緣增強、聯(lián)想存儲、噪聲消除等，都可以用神經(jīng)網(wǎng)絡(luò )的方法來(lái)完成。

關(guān)于光學(xué)神經(jīng)網(wǎng)絡(luò )的研究，國內外已提出許多不同的硬件系統。例如，基于光學(xué)矢量矩陣相乘的Hopfield網(wǎng)絡(luò )的外積實(shí)現，采用全息存儲和共軛反射鏡（PCM）的全光學(xué)系統，采用液晶開(kāi)關(guān)陣列、液晶光閥以及其它空間光調制器（SLM）的內積型光學(xué)神經(jīng)網(wǎng)絡(luò )，光電混合全雙極“WTA”網(wǎng)絡(luò )等等。光學(xué)神經(jīng)網(wǎng)絡(luò )已成為人工神經(jīng)網(wǎng)絡(luò )研究的一個(gè)重要組成部分。

3.什么是人工神經(jīng)網(wǎng)絡(luò )及其算法實(shí)現方式

人工神經(jīng)網(wǎng)絡(luò )（Artificial Neural Network，即ANN ），是20世紀80 年代以來(lái)人工智能領(lǐng)域興起的研究熱點(diǎn)。它從信息處理角度對人腦神經(jīng)元網(wǎng)絡(luò )進(jìn)行抽象， 建立某種簡(jiǎn)單模型，按不同的連接方式組成不同的網(wǎng)絡(luò )。在工程與學(xué)術(shù)界也常直接簡(jiǎn)稱(chēng)為神經(jīng)網(wǎng)絡(luò )或類(lèi)神經(jīng)網(wǎng)絡(luò )。神經(jīng)網(wǎng)絡(luò )是一種運算模型，由大量的節點(diǎn)（或稱(chēng)神經(jīng)元）之間相互聯(lián)接構成。每個(gè)節點(diǎn)代表一種特定的輸出函數，稱(chēng)為激勵函數（activation function）。每?jì)蓚€(gè)節點(diǎn)間的連接都代表一個(gè)對于通過(guò)該連接信號的加權值，稱(chēng)之為權重，這相當于人工神經(jīng)網(wǎng)絡(luò )的記憶。網(wǎng)絡(luò )的輸出則依網(wǎng)絡(luò )的連接方式，權重值和激勵函數的不同而不同。而網(wǎng)絡(luò )自身通常都是對自然界某種算法或者函數的逼近，也可能是對一種邏輯策略的表達。

最近十多年來(lái)，人工神經(jīng)網(wǎng)絡(luò )的研究工作不斷深入，已經(jīng)取得了很大的進(jìn)展，其在模式識別、智能機器人、自動(dòng)控制、預測估計、生物、醫學(xué)、經(jīng)濟等領(lǐng)域已成功地解決了許多現代計算機難以解決的實(shí)際問(wèn)題，表現出了良好的智能特性。

4.神經(jīng)網(wǎng)絡(luò )連接方式分為哪幾類(lèi)

神經(jīng)網(wǎng)絡(luò )模型的分類(lèi)

人工神經(jīng)網(wǎng)絡(luò )的模型很多，可以按照不同的方法進(jìn)行分類(lèi)。其中，常見(jiàn)的兩種分類(lèi)方法是，按照網(wǎng)絡(luò )連接的拓樸結構分類(lèi)和按照網(wǎng)絡(luò )內部的信息流向分類(lèi)。

1 按照網(wǎng)絡(luò )拓樸結構分類(lèi)

網(wǎng)絡(luò )的拓樸結構，即神經(jīng)元之間的連接方式。按此劃分，可將神經(jīng)網(wǎng)絡(luò )結構分為兩大類(lèi)：層次型結構和互聯(lián)型結構。

層次型結構的神經(jīng)網(wǎng)絡(luò )將神經(jīng)元按功能和順序的不同分為輸出層、中間層（隱層）、輸出層。輸出層各神經(jīng)元負責接收來(lái)自外界的輸入信息，并傳給中間各隱層神經(jīng)元；隱層是神經(jīng)網(wǎng)絡(luò )的內部信息處理層，負責信息變換。根據需要可設計為一層或多層；最后一個(gè)隱層將信息傳遞給輸出層神經(jīng)元經(jīng)進(jìn)一步處理后向外界輸出信息處理結果。

而互連型網(wǎng)絡(luò )結構中，任意兩個(gè)節點(diǎn)之間都可能存在連接路徑，因此可以根據網(wǎng)絡(luò )中節點(diǎn)的連接程度將互連型網(wǎng)絡(luò )細分為三種情況：全互連型、局部互連型和稀疏連接型

2 按照網(wǎng)絡(luò )信息流向分類(lèi)

從神經(jīng)網(wǎng)絡(luò )內部信息傳遞方向來(lái)看，可以分為兩種類(lèi)型：前饋型網(wǎng)絡(luò )和反饋型網(wǎng)絡(luò )。

單純前饋網(wǎng)絡(luò )的結構與分層網(wǎng)絡(luò )結構相同，前饋是因網(wǎng)絡(luò )信息處理的方向是從輸入層到各隱層再到輸出層逐層進(jìn)行而得名的。前饋型網(wǎng)絡(luò )中前一層的輸出是下一層的輸入，信息的處理具有逐層傳遞進(jìn)行的方向性，一般不存在反饋環(huán)路。因此這類(lèi)網(wǎng)絡(luò )很容易串聯(lián)起來(lái)建立多層前饋網(wǎng)絡(luò )。

反饋型網(wǎng)絡(luò )的結構與單層全互連結構網(wǎng)絡(luò )相同。在反饋型網(wǎng)絡(luò )中的所有節點(diǎn)都具有信息處理功能，而且每個(gè)節點(diǎn)既可以從外界接受輸入，同時(shí)又可以向外界輸出。

5.神經(jīng)網(wǎng)絡(luò )的應用有哪些

神經(jīng)網(wǎng)絡(luò )的作用：（未盡之言參照百度百科）

{模擬人類(lèi)實(shí)際神經(jīng)網(wǎng)絡(luò )的數學(xué)方法問(wèn)世以來(lái)，人們已慢慢習慣了把這種人工神經(jīng)網(wǎng)絡(luò )直接稱(chēng)為神經(jīng)網(wǎng)絡(luò )。神經(jīng)網(wǎng)絡(luò )在系統辨識.模式識別，智能控制等領(lǐng)域有著(zhù)廣泛而吸引人的前景。特別在智能控制中，人們對神經(jīng)網(wǎng)絡(luò )的自學(xué)習功能尤其感興趣，并且把神經(jīng)網(wǎng)絡(luò )這一重要特點(diǎn)看作

是解決自動(dòng)控制中按制器適應能力這個(gè)難題的關(guān)鍵鑰匙之一。 神經(jīng)網(wǎng)絡(luò )的基礎在于神經(jīng)元。 神經(jīng)元是以生物神經(jīng)系統的神經(jīng)細胞為基礎的生物模型。在人們對生物神經(jīng)系統進(jìn)行研究，以探討人工智能的機制時(shí)，把神經(jīng)元數學(xué)化，從而產(chǎn)生了神經(jīng)元數學(xué)模型。 大量的形式相同的神經(jīng)元連結在—起就組成了神經(jīng)網(wǎng)絡(luò )。神經(jīng)網(wǎng)絡(luò )是一個(gè)高度非線(xiàn)性動(dòng)力學(xué)系統。雖然，每個(gè)神經(jīng)元的結構和功能都不復雜，但是神經(jīng)網(wǎng)絡(luò )的動(dòng)態(tài)行為則是十分復雜的；因此，用神經(jīng)網(wǎng)絡(luò )可以表達實(shí)際物理世界的各種現象。神經(jīng)網(wǎng)絡(luò )模型是以神經(jīng)元的數學(xué)模型為基礎來(lái)?yè)硎龅摹Ｉ窠?jīng)網(wǎng)絡(luò )模型由網(wǎng)絡(luò )拓撲.節點(diǎn)特點(diǎn)和學(xué)習規則來(lái)表示

主要使用的方面：

1.并行分布處理。 2.高度魯棒性和容錯能力。 3.分布存儲及學(xué)習能力。 4.能充分逼近復雜的非線(xiàn)性關(guān)系。

6.Hopfield 神經(jīng)網(wǎng)絡(luò )有哪幾種訓練方法

人工神經(jīng)網(wǎng)絡(luò )模型主要考慮網(wǎng)絡(luò )連接的拓撲結構、神經(jīng)元的特征、學(xué)習規則等。目前，已有近40種神經(jīng)網(wǎng)絡(luò )模型，其中有反傳網(wǎng)絡(luò )、感知器、自組織映射、Hopfield網(wǎng)絡(luò )、波耳茲曼機、適應諧振理論等。根據連接的拓撲結構，神經(jīng)網(wǎng)絡(luò )模型可以分為：

(1)前向網(wǎng)絡(luò ) 網(wǎng)絡(luò )中各個(gè)神經(jīng)元接受前一級的輸入，并輸出到下一級，網(wǎng)絡(luò )中沒(méi)有反饋，可以用一個(gè)有向無(wú)環(huán)路圖表示。這種網(wǎng)絡(luò )實(shí)現信號從輸入空間到輸出空間的變換，它的信息處理能力來(lái)自于簡(jiǎn)單非線(xiàn)性函數的多次復合。網(wǎng)絡(luò )結構簡(jiǎn)單，易于實(shí)現。反傳網(wǎng)絡(luò )是一種典型的前向網(wǎng)絡(luò )。

(2)反饋網(wǎng)絡(luò ) 網(wǎng)絡(luò )內神經(jīng)元間有反饋，可以用一個(gè)無(wú)向的完備圖表示。這種神經(jīng)網(wǎng)絡(luò )的信息處理是狀態(tài)的變換，可以用動(dòng)力學(xué)系統理論處理。系統的穩定性與聯(lián)想記憶功能有密切關(guān)系。Hopfield網(wǎng)絡(luò )、波耳茲曼機均屬于這種類(lèi)型。

學(xué)習是神經(jīng)網(wǎng)絡(luò )研究的一個(gè)重要內容，它的適應性是通過(guò)學(xué)習實(shí)現的。根據環(huán)境的變化，對權值進(jìn)行調整，改善系統的行為。由Hebb提出的Hebb學(xué)習規則為神經(jīng)網(wǎng)絡(luò )的學(xué)習算法奠定了基礎。Hebb規則認為學(xué)習過(guò)程最終發(fā)生在神經(jīng)元之間的突觸部位，突觸的聯(lián)系強度隨著(zhù)突觸前后神經(jīng)元的活動(dòng)而變化。在此基礎上，人們提出了各種學(xué)習規則和算法，以適應不同網(wǎng)絡(luò )模型的需要。有效的學(xué)習算法，使得神經(jīng)網(wǎng)絡(luò )能夠通過(guò)連接權值的調整，構造客觀(guān)世界的內在表示，形成具有特色的信息處理方法，信息存儲和處理體現在網(wǎng)絡(luò )的連接中。

根據學(xué)習環(huán)境不同，神經(jīng)網(wǎng)絡(luò )的學(xué)習方式可分為監督學(xué)習和非監督學(xué)習。在監督學(xué)習中，將訓練樣本的數據加到網(wǎng)絡(luò )輸入端，同時(shí)將相應的期望輸出與網(wǎng)絡(luò )輸出相比較，得到誤差信號，以此控制權值連接強度的調整，經(jīng)多次訓練后收斂到一個(gè)確定的權值。當樣本情況發(fā)生變化時(shí)，經(jīng)學(xué)習可以修改權值以適應新的環(huán)境。使用監督學(xué)習的神經(jīng)網(wǎng)絡(luò )模型有反傳網(wǎng)絡(luò )、感知器等。非監督學(xué)習時(shí)，事先不給定標準樣本，直接將網(wǎng)絡(luò )置于環(huán)境之中，學(xué)習階段與工作階段成為一體。此時(shí)，學(xué)習規律的變化服從連接權值的演變方程。非監督學(xué)習最簡(jiǎn)單的例子是Hebb學(xué)習規則。競爭學(xué)習規則是一個(gè)更復雜的非監督學(xué)習的例子，它是根據已建立的聚類(lèi)進(jìn)行權值調整。自組織映射、適應諧振理論網(wǎng)絡(luò )等都是與競爭學(xué)習有關(guān)的典型模型。

研究神經(jīng)網(wǎng)絡(luò )的非線(xiàn)性動(dòng)力學(xué)性質(zhì)，主要采用動(dòng)力學(xué)系統理論、非線(xiàn)性規劃理論和統計理論，來(lái)分析神經(jīng)網(wǎng)絡(luò )的演化過(guò)程和吸引子的性質(zhì)，探索神經(jīng)網(wǎng)絡(luò )的協(xié)同行為和集體計算功能，了解神經(jīng)信息處理機制。為了探討神經(jīng)網(wǎng)絡(luò )在整體性和模糊性方面處理信息的可能，混沌理論的概念和方法將會(huì )發(fā)揮作用。混沌是一個(gè)相當難以精確定義的數學(xué)概念。一般而言，“混沌”是指由確定性方程描述的動(dòng)力學(xué)系統中表現出的非確定性行為，或稱(chēng)之為確定的隨機性。“確定性”是因為它由內在的原因而不是外來(lái)的噪聲或干擾所產(chǎn)生，而“隨機性”是指其不規則的、不能預測的行為，只可能用統計的方法描述。混沌動(dòng)力學(xué)系統的主要特征是其狀態(tài)對初始條件的靈敏依賴(lài)性，混沌反映其內在的隨機性。混沌理論是指描述具有混沌行為的非線(xiàn)性動(dòng)力學(xué)系統的基本理論、概念、方法，它把動(dòng)力學(xué)系統的復雜行為理解為其自身與其在同外界進(jìn)行物質(zhì)、能量和信息交換過(guò)程中內在的有結構的行為，而不是外來(lái)的和偶然的行為，混沌狀態(tài)是一種定態(tài)。混沌動(dòng)力學(xué)系統的定態(tài)包括：靜止、平穩量、周期性、準同期性和混沌解。混沌軌線(xiàn)是整體上穩定與局部不穩定相結合的結果，稱(chēng)之為奇異吸引子。

7.神經(jīng)網(wǎng)絡(luò )算法是什么

Introduction 神經(jīng)網(wǎng)絡(luò )是新技術(shù)領(lǐng)域中的一個(gè)時(shí)尚詞匯。

很多人聽(tīng)過(guò)這個(gè)詞，但很少人真正明白它是什么。本文的目的是介紹所有關(guān)于神經(jīng)網(wǎng)絡(luò )的基本包括它的功能、一般結構、相關(guān)術(shù)語(yǔ)、類(lèi)型及其應用。

“神經(jīng)網(wǎng)絡(luò )”這個(gè)詞實(shí)際是來(lái)自于生物學(xué)，而我們所指的神經(jīng)網(wǎng)絡(luò )正確的名稱(chēng)應該是“人工神經(jīng)網(wǎng)絡(luò )（ANNs）”。在本文，我會(huì )同時(shí)使用這兩個(gè)互換的術(shù)語(yǔ)。

一個(gè)真正的神經(jīng)網(wǎng)絡(luò )是由數個(gè)至數十億個(gè)被稱(chēng)為神經(jīng)元的細胞（組成我們大腦的微小細胞）所組成，它們以不同方式連接而型成網(wǎng)絡(luò )。人工神經(jīng)網(wǎng)絡(luò )就是嘗試模擬這種生物學(xué)上的體系結構及其操作。

在這里有一個(gè)難題：我們對生物學(xué)上的神經(jīng)網(wǎng)絡(luò )知道的不多！因此，不同類(lèi)型之間的神經(jīng)網(wǎng)絡(luò )體系結構有很大的不同，我們所知道的只是神經(jīng)元基本的結構。 The neuron 雖然已經(jīng)確認在我們的大腦中有大約50至500種不同的神經(jīng)元，但它們大部份都是基于基本神經(jīng)元的特別細胞。

基本神經(jīng)元包含有synapses、soma、axon及dendrites。Synapses負責神經(jīng)元之間的連接，它們不是直接物理上連接的，而是它們之間有一個(gè)很小的空隙允許電子訊號從一個(gè)神經(jīng)元跳到另一個(gè)神經(jīng)元。

然后這些電子訊號會(huì )交給soma處理及以其內部電子訊號將處理結果傳遞給axon。而axon會(huì )將這些訊號分發(fā)給dendrites。

最后，dendrites帶著(zhù)這些訊號再交給其它的synapses，再繼續下一個(gè)循環(huán)。 如同生物學(xué)上的基本神經(jīng)元，人工的神經(jīng)網(wǎng)絡(luò )也有基本的神經(jīng)元。

每個(gè)神經(jīng)元有特定數量的輸入，也會(huì )為每個(gè)神經(jīng)元設定權重（weight）。權重是對所輸入的資料的重要性的一個(gè)指標。

然后，神經(jīng)元會(huì )計算出權重合計值（net value），而權重合計值就是將所有輸入乘以它們的權重的合計。每個(gè)神經(jīng)元都有它們各自的臨界值（threshold），而當權重合計值大于臨界值時(shí)，神經(jīng)元會(huì )輸出1。

相反，則輸出0。最后，輸出會(huì )被傳送給與該神經(jīng)元連接的其它神經(jīng)元繼續剩余的計算。

Learning 正如上述所寫(xiě)，問(wèn)題的核心是權重及臨界值是該如何設定的呢？世界上有很多不同的訓練方式，就如網(wǎng)絡(luò )類(lèi)型一樣多。但有些比較出名的包括back-propagation, delta rule及Kohonen訓練模式。

由于結構體系的不同，訓練的規則也不相同，但大部份的規則可以被分為二大類(lèi)別 - 監管的及非監管的。監管方式的訓練規則需要“教師”告訴他們特定的輸入應該作出怎樣的輸出。

然后訓練規則會(huì )調整所有需要的權重值（這是網(wǎng)絡(luò )中是非常復雜的），而整個(gè)過(guò)程會(huì )重頭開(kāi)始直至數據可以被網(wǎng)絡(luò )正確的分析出來(lái)。監管方式的訓練模式包括有back-propagation及delta rule。

非監管方式的規則無(wú)需教師，因為他們所產(chǎn)生的輸出會(huì )被進(jìn)一步評估。 Architecture 在神經(jīng)網(wǎng)絡(luò )中，遵守明確的規則一詞是最“模糊不清”的。

因為有太多不同種類(lèi)的網(wǎng)絡(luò )，由簡(jiǎn)單的布爾網(wǎng)絡(luò )（Perceptrons），至復雜的自我調整網(wǎng)絡(luò )（Kohonen），至熱動(dòng)態(tài)性網(wǎng)絡(luò )模型（Boltzmann machines）！而這些，都遵守一個(gè)網(wǎng)絡(luò )體系結構的標準。 一個(gè)網(wǎng)絡(luò )包括有多個(gè)神經(jīng)元“層”，輸入層、隱蔽層及輸出層。

輸入層負責接收輸入及分發(fā)到隱蔽層（因為用戶(hù)看不見(jiàn)這些層，所以見(jiàn)做隱蔽層）。這些隱蔽層負責所需的計算及輸出結果給輸出層，而用戶(hù)則可以看到最終結果。

現在，為免混淆，不會(huì )在這里更深入的探討體系結構這一話(huà)題。對于不同神經(jīng)網(wǎng)絡(luò )的更多詳細資料可以看Generation5 essays 盡管我們討論過(guò)神經(jīng)元、訓練及體系結構，但我們還不清楚神經(jīng)網(wǎng)絡(luò )實(shí)際做些什么。

The Function of ANNs 神經(jīng)網(wǎng)絡(luò )被設計為與圖案一起工作 - 它們可以被分為分類(lèi)式或聯(lián)想式。分類(lèi)式網(wǎng)絡(luò )可以接受一組數，然后將其分類(lèi)。

例如ONR程序接受一個(gè)數字的影象而輸出這個(gè)數字。或者PPDA32程序接受一個(gè)坐標而將它分類(lèi)成A類(lèi)或B類(lèi)（類(lèi)別是由所提供的訓練決定的）。

更多實(shí)際用途可以看Applications in the Military中的軍事雷達，該雷達可以分別出車(chē)輛或樹(shù)。 聯(lián)想模式接受一組數而輸出另一組。

例如HIR程序接受一個(gè)‘臟’圖像而輸出一個(gè)它所學(xué)過(guò)而最接近的一個(gè)圖像。聯(lián)想模式更可應用于復雜的應用程序，如簽名、面部、指紋識別等。

The Ups and Downs of Neural Networks 神經(jīng)網(wǎng)絡(luò )在這個(gè)領(lǐng)域中有很多優(yōu)點(diǎn)，使得它越來(lái)越流行。它在類(lèi)型分類(lèi)/識別方面非常出色。

神經(jīng)網(wǎng)絡(luò )可以處理例外及不正常的輸入數據，這對于很多系統都很重要（例如雷達及聲波定位系統）。很多神經(jīng)網(wǎng)絡(luò )都是模仿生物神經(jīng)網(wǎng)絡(luò )的，即是他們仿照大腦的運作方式工作。

神經(jīng)網(wǎng)絡(luò )也得助于神經(jīng)系統科學(xué)的發(fā)展，使它可以像人類(lèi)一樣準確地辨別物件而有電腦的速度！前途是光明的，但現在。 是的，神經(jīng)網(wǎng)絡(luò )也有些不好的地方。

這通常都是因為缺乏足夠強大的硬件。神經(jīng)網(wǎng)絡(luò )的力量源自于以并行方式處理資訊，即是同時(shí)處理多項數據。

因此，要一個(gè)串行的機器模擬并行處理是非常耗時(shí)的。 神經(jīng)網(wǎng)絡(luò )的另一個(gè)問(wèn)題是對某一個(gè)問(wèn)題構建網(wǎng)絡(luò )所定義的條件不足 - 有太多因素需要考慮：訓練的算法、體系結構、每層的神經(jīng)元個(gè)數、有多少層、數據的表現等，還有其它更多因素。

因此，隨著(zhù)時(shí)間越來(lái)越重要，大部份公司不可能負擔重復的開(kāi)發(fā)神經(jīng)網(wǎng)絡(luò )去有效地解決問(wèn)題。 。