神经网络的应用

在研究 ANN 广泛使用的领域之前，我们需要了解为什么 ANN 会成为应用的首选。

为什么选择人工神经网络？

我们需要以人类为例来理解上述问题的答案。小时候，我们常常在长辈（包括父母或老师）的帮助下学习东西。然后通过自学或实践，我们终生不断学习。科学家和研究人员也在使机器变得像人类一样智能化，而人工神经网络在其中发挥着非常重要的作用，原因如下：

  • 借助神经网络，我们可以找到算法方法昂贵或不存在的问题的解决方案。

  • 神经网络可以通过示例进行学习，因此我们不需要对其进行太多编程。

  • 神经网络具有比常规速度快得多的准确性和速度。

应用领域

以下是使用人工神经网络的一些领域。它表明人工神经网络在其开发和应用中采用了跨学科的方法。

语音识别

语音在人与人的互动中占据着重要的作用。因此，人们很自然地期望与计算机进行语音交互。在当今时代，为了与机器交流，人类仍然需要难以学习和使用的复杂语言。为了缓解这种沟通障碍，一个简单的解决方案可能是使用机器可以理解的口语进行沟通。

这一领域已经取得了巨大的进步，然而，此类系统仍然面临着词汇或语法有限的问题，以及针对不同条件下不同说话者的系统重新训练的问题。ANN 在这一领域发挥着重要作用。以下 ANN 已用于语音识别 -

  • 多层网络

  • 具有循环连接的多层网络

  • Kohonen 自组织特征图

最有用的网络是 Kohonen 自组织特征图，它的输入是语音波形的短段。它将映射相同类型的音素作为输出数组，称为特征提取技术。提取特征后，借助一些声学模型作为后端处理，就会识别出话语。

字符识别

这是一个有趣的问题，属于模式识别的一般领域。许多神经网络已经被开发用于自动识别手写字符，无论是字母还是数字。以下是一些已用于字符识别的人工神经网络 -

  • 多层神经网络，例如反向传播神经网络。
  • 新认知机

尽管反向传播神经网络具有多个隐藏层，但从一层到下一层的连接模式是局部的。同样，neocognitron 也有几个隐藏层，它的训练是针对此类应用逐层进行的。

签名验证申请

签名是在合法交易中授权和验证一个人的最有用的方法之一。签名验证技术是一种非视觉技术。

对于此应用程序，第一种方法是提取特征，或者更确切地说，提取表示签名的几何特征集。有了这些特征集，我们必须使用有效的神经网络算法来训练神经网络。这个经过训练的神经网络将在验证阶段将签名分类为真实的或伪造的。

人脸识别

它是识别给定面部的生物识别方法之一。由于“非面部”图像的表征，这是一项典型的任务。然而，如果神经网络训练有素，那么它可以分为两类，即具有面部的图像和不具有面部的图像。

首先，必须对所有输入图像进行预处理。然后，必须降低该图像的维度。并且，最后必须使用神经网络训练算法进行分类。以下神经网络用于预处理图像的训练目的 -

  • 借助反向传播算法训练的全连接多层前馈神经网络。

  • 为了降维，使用主成分分析（PCA）。