基于神经网络的人工智能系统解析

陈小娟

摘 要：近年来，人工智能发展迅猛，在图像识别、语音识别、医疗辅助、无人驾驶及无人机、金融决策、物流管理等各个领域取得了突破性进展。为了让人工智能更好地服务于人类，我们需要进一步认识理解人工智能，文章将着重对基于神经网络的人工智能系统的应用及算法进行探讨。

关键词：人工智能;神经网络;算法

1概述

人工神经网络（Artificial Neural Networks，简写为 ANNs）也简称为神经网络（NNs），它的生物原型是人脑和构成人脑的神经元。

生理学家告诉我们：人脑包含 800 亿个神经元，这些神经元中的每一个都类似一个小的处理单元，它们按照某种方式连接，接受外部刺激，做出响应处理的过程，也就是大脑对信息处理的过程。

人工神经网络是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。

2神经元与神经网络

人工神经元与人工神经网络模仿人脑的神经结构，旨在让计算机拥有更强大的学习能力。要实现人工神经网络具有类似于人脑的功能，就需要对人脑进行深入的了解。首先，我们详细了解生物学中的神经元与神经网络。

2.1神经元

神经元的输入通道是树突，树突会将来自其他神经元的电信号传送至细胞本体，进行处理。处理完的信息需要进行相应输出，神经元响应产生的电信号再通过轴突和突触传递到下一个神经元。

2.2人工神经元

计算机科学家从生物模型出发，衍生抽象出数学模型，即人工神经元。人工神经元功能类似于生物学的神经元：相对于树突的作用，会有几个不同的输入信号;当中有一个处理单元，即相当于神经元细胞本体，它对每一个输入信号进行加权处理确定其强度，对所有输入信号求和，确定组合效果，通过激励函数确定其输出;该输出信号再连接到下一个人工神经元的输入。这样人工神经元可按照神经网络连接方式，连接成人工神经网络。

2.3人工神经网络

人工神经网络模仿神经元在人脑中的结构连接，一个人工神经网络可以由几个甚至几百万个人工神经元构成，这些神经元排列在一系列的层中，每个层之间彼此相连。一个完整的神经网络由一层输入层、多层隐藏层、一层输出层构成。

按照类型分，人工神经网络可以分为前馈型神经网络和反馈型神经网络。前馈型神经网络，是单向多层结构，即各神经元从输入层开始，只接收上一

层的输出，并输出到下一层，直至输出层，整个网络中无反馈。这一类神经网络经常用于图像识别、检测和分割。

反馈型神经网络，比较复杂一些，也更接近于人脑的构造，它是一种从输出到输入具有反馈连接的神经网络。当前的结果受到先前所有结果的影响。通常用于语音处理、文本处理、问答系统等类似于自然语言处理方面。因为自然语言处理，通常有上下文的语境，则会用到反馈型神经网络。

2.4神经网络训练算法

人工神经网络是否能成功应用，其模型构建是需要训练的，对于每一个输入，如何组合，其权重如何确定，即其参数的获取，要通过训练算法与函数来实现。训练成熟之前，得到的参数可能会与期望的结果存在很大误差。对于此类问题，解决方式之一是采用以误差为主导的反向传播算法。

反向传播算法，其本质是通过前向传递输入信号直至输出产生误差，再将误差信息反向传播，去更新网络权重矩阵。通过这种反馈机制，反馈越多，神经网络学习的结果将越准确。

目前，基于神经网络的人工智能系统，对手写体数字识别正确率可达 99.8%。对于图像识别和分类，有一个 ImageNet 图像分类比赛，采用这种神经网络

训练算法，通过很多隐藏层，经过多次训练，最终神经网络算法的错误率低至3.1%，而人类分类错误率为 5%，神经网络人工智能的算法分类结果已经优于人类。

神經网络的主要学习机制为误差反向传播算法，不断修改网络参数，使得分类效果越来越好。

3人工智能系统算法运用实例——手写数字识别

手写数字识别是一个典型的人工智能算法应用，通过讨论手写数字识别的实例，我们可以看到神经网络的强大，也可以更好地理解它是如何运行的。

进行手写数字识别之前，需要准备一个训练好的带有标签的数据集。MNIST就是一个著名的手写体数字识别数据集，其中包含训练集和测试集，训练集包含了 60000 个样本和标签，测试集包含 10000 个样本和标签。从机器学习和训练的角度而言，训练集类似于我们在学习中使用到的各种学习资料，可帮助我们提升学习能力;测试集类似于考试试卷，用于检测学习成绩;标签则可以认为是习题和考试的标准答案。

通过训练集的训练，如果用测试集在进行测试时，手写数字图片的输入都能得到和标签一致的结果，则考试通过，那么就说明人工智能的程序具备手写数字识别能力。其中，样本为代表 0～9 中的一个数字的灰度图片，对应一个所代表数字的标签，图片大小为 28*28，且数字出现在图片正中间。电脑（算法）“看到”样本图像时，其实是得到一些列的像素点的灰度值数据，白的地方是 1，黑的地方是 0，1 和 0 之间的小数代表灰度值。需要构造神经网络算法：首先要有向量，即多个数字按顺序排成一组，其中数字的个数称为向量的维数;每个样本图像的输入都是一组 784（28*28=784）个数值，称为一个 784 维向量;每个标签数据中，把数字 n 将表示成一个只有在第 n 维度数字为 1 的 10 维向量。输入的 784维向量经过两层中间计算后，输出为一个 10 维向量，每个维的值代表是该数字的概率。通过梯度下降法和反向传播算法，经过一小段时间的训练，AI 识别手写数字的准确率便达到了 93.13%。

4结语

当前最先进的人工智能研究以神经生物学的大脑为原型，将大脑想象成一个拥有大量清晰资料的逻辑推理装置，并以此来构造基于神经网络的人工智能系统。从变革生活方式角度出发，深入研究神经网络的构建与优化，从而更好地解决人类社会中遇到的各种问题。

参考文献：

[1]何静.具身性与默会表征：人工智能能走多远？[J]华东师范大学学报（哲学社会科学版），2018，（5）：38-43.

[2]陈斌.人工智能与信息社会.学习强国慕课（理工农医），2018.

[3]邵语千.人工智能的现状及发展趋势[J].科技传播，2018，（10）：106-107.

[4]杜 森 . 人 工 智 能 对 人 类 生 活 方 式 的 影 响 及 反 思 [J]. 辽 宁 工 业 大 学 学报，2016，18（3）：51-53.

[5]曹峰，石霖.我国人工智能计算和基础应用服务平台发展现状及趋势研究[J].电信网技术，2018，4（4）：7-9.

湖北省教育厅科学研究计划指导性项目：深度学习在乳腺 MRI 肿瘤分割中的应用研究（B2020340）