類神經網路

類神經網路（Artificial Neural Networks, ANNs）或譯為人工神經網路，其主要的基本概念是嘗試著模仿人類的神經系統。其架構源自於現今對人類神經系統的認識，它是由很多非線性的運算單元（即：神經元 neuron）和位於這些運算單元間的眾多連結（links）所組成，而這些運算單元通常是以平行且分散的方式來進行運算，如此就可以同時處理大量的資料應用，如：語音、手寫辨識等。

類神經網路是以電腦的軟硬體來模擬生物神經網路的資訊處理系統，從人類專家解決問題的實際案例中學習，利用非線性函數的轉換，能有效地對大量資料進行分析，且具學習能力，以利各種非結構性決策的制定；此外，類神經網路之應用不需前提假設，只要有充足的歷史資料，即可進行分析，例如有完整之水文資訊(雨量、流量或水位資料)的集水區，或精確且眾多的氣象資料，皆十分適合運用網路模式進行分析、預測的工作。

一般類神經網路為三層結構，包含輸入層、隱藏層及輸出層。其中輸入層用以表現輸入變數，其單元數目依問題的型式而定；隱藏層有可能有數層，用以表現輸入處理單元間之交互影響，其單元數目需以試驗的方式決定其最佳數目；輸出層用以表現輸出變數。神經網路的基本原理為網路中靠相關權重連結各層間之單元，各輸入單元輸入值經由加權累加後到達隱藏層，並透過轉換函數可得一值，同理再傳至輸出層。

網路依其架構與學習方式，可用來解決不同類型的問題，常用的類神經網路有：倒傳遞類神經網路、輻狀機底函數類神經網路、自組特徵映射類神經網路、回饋式類神經網路、反傳遞模糊類神經網路、調適性網路模糊推論系統等。

類神經網路已成為熱門的科技議題與發展迅速的應用技術，今日已廣泛地應用在各個領域，從電機、資訊、機械、化工、土木、水利、環工、海洋等理工相關領域，到醫學、農學等生物相關領域及經濟、管理、財務金融等，都可以看到類神經網路的相關研究。許多科學先趨者試著採用模仿生物神經系統之模型—— 類神經網路，來解決一些過去無法解決的問題，其原因大致分為以下幾點：(1) 聯想速度快，(2) 網路架構容易調整，(3) 解決最佳化、非線性等系統問題，(4) 具平行處理特性，(5) 具容錯特性。目前以類神經網路作為解決方案且有良好效果的問題有：語音辨識、文字辨識、天氣預測、股票指數預測、機器人控制、雷達偵測、影像識別、汽車自動駕駛、醫學檢測、蛋白質3D結構檢測等，這也是類神經網路之所以能在短短數十年間，廣受重視且發展迅速之主因。