Page 98 - 基于深度学习的人工智能技术研究

Research on Artificial Intelligence Technology Based on Deep Learning
基于深度学习的人工智能技术研究

时取得了一定的成绩，但是早些年字符图像识别技术存在一些问题，过于依赖人
工对于字符的预先处理。很明显这种识别的识别效率以及可靠性均不高。当深度
学习技术流行之后，部分研究者开始运用该项技术研究字符的图像识别工作。在
MNIST 数据集上取得了一定成绩，明显减少了识别的错误率，这确保了机器和

人类观察者间的差距不断减少。
当前，虽然深度学习已经被广泛应用于各行各业，也取得了令人瞩目的成绩
和效果，并显著应用在图像识别领域中。但是深度学习依赖于大量的数据训练，
才能表现出强大的特征提取能力，现实生活中，采集多样性的大量数据费力又费

时，于是限制了学习模型的泛化能力；另外，现实中的场景有时不可控也不可重
复，组成因素多样化，影响视觉算法的设计，再加上人为标注的数据也存在误差，
因此融合多种感知信息进行深度学习构架是我们今后研究的主要方向。

第二节 人工神经网络模型

一、人工神经网络

人工神经网络（Artificial Neural Network，ANN）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。它是在现代神经科学研究成果的基础上提出
的，试图通过模拟大脑神经网络处理、记忆信息的方式进行信息处理。ANN 通
过模仿人类大脑的结构和功能，并借鉴生物神经科学的研究成果，实现对信息的
处理，是一种新兴的交叉学科，不但推动了智能化计算的应用和发展，同时也为

信息科学和神经生物学的研究方法带来革命性的变化，现已成功应用于脑科学，
认知科学，模式识别，智能控制，计算机科学等多个领域。
在实际应用中，人工神经网络的选取通常包括适当的神经网络模型，合理的

网络结构及快速有效的网络参数训练算法。而针对某一特定网络模型，ANN 的
研究主要集中在结构的调整和训练算法的改进两个方面。所谓神经网络训练，也
就是网络参数的学习和调整，是一个反复调节节点之间权值和阈值的过程，其学
习可以分成三类，即有监督学习（Supervised Learning），无监督学习（Unsupervised
Learning）和强化学习（Reinforcement Learning）。

90