人工神经网络是由大量处理单元互联组成的非线性、自适应信息处理系统，其特色在于信息的分布式存储和并行协同处理。虽然单个神经元的结构极其简单，功能有限，但大量神经元构成的网络系统所能实现的行为却是极其丰富多彩的。

小时候，我们曾经在包括父母或老师在内的长者的帮助下学习这些东西。科学家和研究人员还像人类一样使机器变得智能化，并且由于以下原因，人工神经网络在其中扮演着非常重要的角色-

借助神经网络，我们可以找到算法方法昂贵或不存在的此类问题的解决方案。

神经网络可以通过示例学习，因此我们不需要对其进行大量编程。

神经网络具有比常规速度更高的准确性和更高的速度。

人工神经网络分类

人工神经网络模型主要考虑网络连接的拓扑结构、神经元的特征、学习规则等。目前，已有近40种神经网络模型，其中有反传网络、感知器、自组织映射、Hopfield网络、波耳兹曼机、适应谐振理论等。根据连接的拓扑结构，神经网络模型可以分为：

前向网络：网络中各个神经元接受前一级的输入，并输出到下一级，网络中没有反馈，可以用一个有向无环路图表示。这种网络实现信号从输入空间到输出空间的变换，它的信息处理能力来自于简单非线性函数的多次复合。网络结构简单，易于实现。反传网络是一种典型的前向网络。

反馈网络：网络内神经元间有反馈，可以用一个无向的完备图表示。这种神经网络的信息处理是状态的变换，可以用动力学系统理论处理。系统的稳定性与联想记忆功能有密切关系。Hopfield网络、波耳兹曼机均属于这种类型。

应用领域

以下是一些使用ANN的领域。它表明ANN在其开发和应用中具有跨学科的方法。

语音识别

言语在人与人的互动中占有重要地位。因此，人们自然期望与计算机建立语音接口。在当前时代，为了与机器进行通信，人类仍然需要难以学习和使用的复杂语言。为了缓解这种通信障碍，可以采用一种简单的解决方案，即使用机器可以理解的口头语言进行通信。

在该领域已经取得了很大的进步，但是，这类系统仍然面临词汇或语法有限的问题，以及在不同条件下针对不同说话者对该系统进行再培训的问题。人工神经网络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

对此最有用的网络是Kohonen自组织特征图，其输入作为语音波形的短段。它将映射与输出数组相同类型的音素，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，它将识别出话语。

字符识别

这是一个有趣的问题，属于模式识别的一般领域。已经开发了许多神经网络来自动识别手写字符（字母或数字）。以下是一些用于字符识别的ANN-

多层神经网络，例如反向传播神经网络。

新认知药

尽管反向传播神经网络具有多个隐藏层，但是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，并且针对此类应用逐层进行训练。

签名验证申请

签名是在合法交易中对个人进行授权和认证的最有用方法之一。签名验证技术是基于非视觉的技术。

对于此应用程序，第一种方法是提取代表签名的特征或几何特征集。通过这些功能集，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

这是识别给定面部的生物识别方法之一。由于具有“非面部”图像的特征，因此这是一项典型的任务。但是，如果神经网络训练有素，则可以将其分为两类，即具有脸部的图像和不具有脸部的图像。

首先，必须对所有输入图像进行预处理。然后，必须减小该图像的尺寸。并且，最后必须使用神经网络训练算法对其进行分类。以下神经网络用于预处理图像的训练目的。