跪求关于人工神经网络的文章

[人工神经网络的例子两三个就可以了。。]基于MATLAB的神经网络编程（1）编程理论作为比较成熟的算法，软件Matlab中有神经网络工具箱，所以可以借助Matlab神经网络工具箱的强大功能，在此基础上进行二次开发，从繁琐的编程工作...+阅读

跪求关于人工神经网络的文章

B. Network Pruning Network pruning offers another approach for dynamically determining an appropriate network topology. Pruning techniques(see [40] for an excellent survey) begin by training a larger than necessary network and then eliminate weights and neurons that are deemed redundant. Constructive algorithms offer several significant advantages over pruning-based algorithms including,the ease of specification of the initial network topology,better economy in terms of training time and number of training examples, and potential for converging to a smaller network with superior generalization [27]. In this paper we will focus primarily on constructive learning algorithms. In Section IV we show how a local pruning step can be integrated into the network construction process to obtain more compact networks. 网络删节。网络删节为动态确定合适的网络拓扑提供另一种方法。

删节技术（见 [40]极好调查以来）以训练开始一比必要的网络大然后消除被认为多余的重量和神经元。有建设性的算法超过包括的基于删节的算法，便于最初网络拓扑的说明提供几个重要的优势，就训练时间和训练例子的数量和为用占优势的概括集中于一个更小的网络的潜能而言的更好的经济 [27]。在这篇文章里我们将主要关注有建设性的学习算法。在IV 部分，我们显示删节的一当地人走怎样可能统一到中获得小型网络的更的网络建设过程。

Deep Neural Networks are Easily Fooled：这篇英文论文的翻译谁有

Deep NeuralNetworks are Easily Fooled: High Confidence Predictions for UnrecognizableImages深层神经网络容易受骗上当：准确识别难以辨别的图像Deep neuralnetworks (DNNs) have recently been achieving state-of-the-art performance on avariety of pattern-recognition tasks, most notably visual classificationproblems.最近，深层神经网络系统（DNNs）实现了能在在多种模式下识别图像的先进的性能，尤其是在视觉分类问题上。Given that DNNsare now able to classify objects in images with near-human-level performance,questions naturally arise as to what differences remain between computer andhuman vision.如今，现款的DDNs能够以近似人类的视觉水平对图像进行分类，因此自然而然地，人们对于计算机和人类的视觉区别的分歧依然存在。 A recent study revealed that changing an image(e.g. of a lion) in a way imperceptible to humans can cause a DNN to label theimage as something else entirely (e.g. mislabeling a lion a library).最近一项研究表明，用人类察觉不到的方式改变一个图像（比如一只狮子），人类看到图像以后察觉不出变化，而DDNs却能够识别出图像的变化并把它标记成一张完全不同的图像（就好比一只图书馆里贴错标签的狮子）。

Here we show arelated result: it is easy to produce images that are completely unrecognizableto humans, but that state-of-the-art DNNs believe to be recognizable objectswith 99.99% confidence (e.g. labeling with certainty that white noise static isa lion).有一些相关的研究结果表明：人类显然不容易辨别图像，但目前最先进的DDNs却能以99.99%的准确度辨别物体（比如能从静态的白噪声中辨别出是狮子）。Specifically, we take convolutional neural networks trained to perform well on either the ImageNet or MNIST datasets and then find images with evolutionary algorithms or gradient ascent that DNNs label with high confidence as belonging to each dataset class.具体来说，我们的卷积神经网络在图像网络或MNIST的数据上的表现都很良好，然而接下来我们会发现，DDNs 能运用每个数据集类高度准确辨别那些经过进化算法和梯度上升的图像。

It is possible toproduce images totally unrecognizable to human eyes that DNNs believe with nearcertainty are familiar objects, which we call ＂fooling images＂ (moregenerally, fooling examples).我们完全有可能制作出人类完全不能辨认出来的图像，但这些图像对于DDNs来说确实熟悉的可以辨认的物体，我们称之为“欺骗图像”（更普遍，更具迷惑性的图像）。Our results shedlight on interesting differences between human vision and current DNNs, andraise questions about the generality of DNN computer vision.我们的研究结果揭示了人类的视觉和目前DDNs之间有趣的差异，并提高了人们对计算机视觉的普遍性问题的关注。

神经网络分类问题

神经网络是新技术领域中的一个时尚词汇。很多人听过这个词，但很少人真正明白它是什么。本文的目的是介绍所有关于神经网络的基本包括它的功能、一般结构、相关术语、类型及其应用。 “神经网络”这个词实际是来自于生物学，而我们所指的神经网络正确的名称应该是“人工神经网络（ANNs）”。在本文，我会同时使用这两个互换的术语。一个真正的神经网络是由数个至数十亿个被称为神经元的细胞（组成我们大脑的微小细胞）所组成，它们以不同方式连接而型成网络。人工神经网络就是尝试模拟这种生物学上的体系结构及其操作。在这里有一个难题：我们对生物学上的神经网络知道的不多！因此，不同类型之间的神经网络体系结构有很大的不同，我们所知道的只是神经元基本的结构。

The neuron -------------------------------------------------------------------------------- 虽然已经确认在我们的大脑中有大约50至500种不同的神经元，但它们大部份都是基于基本神经元的特别细胞。基本神经元包含有synapses、soma、axon及dendrites。Synapses负责神经元之间的连接，它们不是直接物理上连接的，而是它们之间有一个很小的空隙允许电子讯号从一个神经元跳到另一个神经元。然后这些电子讯号会交给soma处理及以其内部电子讯号将处理结果传递给axon。而axon会将这些讯号分发给dendrites。最后，dendrites带着这些讯号再交给其它的synapses，再继续下一个循环。如同生物学上的基本神经元，人工的神经网络也有基本的神经元。每个神经元有特定数量的输入，也会为每个神经元设定权重（weight）。

权重是对所输入的资料的重要性的一个指标。然后，神经元会计算出权重合计值（net value），而权重合计值就是将所有输入乘以它们的权重的合计。每个神经元都有它们各自的临界值（threshold），而当权重合计值大于临界值时，神经元会输出1。相反，则输出0。最后，输出会被传送给与该神经元连接的其它神经元继续剩余的计算。 Learning -------------------------------------------------------------------------------- 正如上述所写，问题的核心是权重及临界值是该如何设定的呢？世界上有很多不同的训练方式，就如网络类型一样多。但有些比较出名的包括back-propagation, delta rule及Kohonen训练模式。由于结构体系的不同，训练的规则也不相同，但大部份的规则可以被分为二大类别 - 监管的及非监管的。

监管方式的训练规则需要“教师”告诉他们特定的输入应该作出怎样的输出。然后训练规则会调整所有需要的权重值（这是网络中是非常复杂的），而整个过程会重头开始直至数据可以被网络正确的分析出来。监管方式的训练模式包括有back-propagation及delta rule。非监管方式的规则无需教师，因为他们所产生的输出会被进一步评估。 Architecture -------------------------------------------------------------------------------- 在神经网络中，遵守明确的规则一词是最“模糊不清”的。因为有太多不同种类的网络，由简单的布尔网络（Perceptrons），至复杂的自我调整网络（Kohonen），至热动态性网络模型（Boltzmann machines）！而这些，都遵守一个网络体系结构的标准。一个网络包括有多个神经元“层”，输入层、隐蔽层及输出层。

输入层负责接收输入及分发到隐蔽层（因为用户看不见这些层，所以见做隐蔽层）。这些隐蔽层负责所需的计算及输出结果给输出层，而用户则可以看到最终结果。现在，为免混淆，不会在这里更深入的探讨体系结构这一话题。对于不同神经网络的更多详细资料可以看Generation5 essays 尽管我们讨论过神经元、训练及体系结构，但我们还不清楚神经网络实际做些什么。 The Function of ANNs -------------------------------------------------------------------------------- 神经网络被设计为与图案一起工作 - 它们可以被分为分类式或联想式。分类式网络可以接受一组数，然后将其分类。例如ONR程序接受一个数字的影象而输出这个数字。或者PPDA32程序接受一个坐标而将它分类成A类或B类（类别是由所提供的训练决定的）。

更多实际用途可以看Applications in the Military中的军事雷达，该雷达可以分别出车辆或树。联想模式接受一组数而输出另一组。例如HIR程序接受一个‘脏’图像而输出一个它所学过而最接近的一个图像。联想模式更可应用于复杂的应用程序，如签名、面部、指纹识别等。 The Ups and Downs of Neural Networks -------------------------------------------------------------------------------- 神经网络在这个领域中有很多优点，使得它越来越流行。它在类型分类/识别方面非常出色。神经网络可以处理例外及不正常的输入数据，这对于很多系统都很重要（例如雷达及声波定位系统）。很多神经网络都是模仿生物神经网络的，即是他们仿照大脑的运作方式工作。神经网络也得助于神经系统科学的发展，使它可以像人类一样准确地辨别物件而有电脑的速度！前途是光明的，但现在... 是的，神经网络也有些不好的地方。

这通常都是因为缺乏足够强大的硬件。神经网络的力量源自于以并行方式处理资讯，即是同时处理多项数据。因此，要一个串行的机器模拟并行处理是非常耗时的。神经网...