文獻(xiàn)計(jì)量視角下的神經(jīng)網(wǎng)絡(luò)發(fā)展軌跡研究

〔摘要〕神經(jīng)網(wǎng)絡(luò)是涉及生物、計(jì)算機(jī)、數(shù)學(xué)、電子、物理、心理學(xué)、認(rèn)識(shí)科學(xué)等多個(gè)學(xué)科領(lǐng)域的一門邊緣性交叉學(xué)科。本文綜合運(yùn)用文獻(xiàn)計(jì)量學(xué)的方法將神經(jīng)網(wǎng)絡(luò)劃分為探索期、成長期和快速發(fā)展期3個(gè)時(shí)期，指出當(dāng)前正是神經(jīng)網(wǎng)絡(luò)發(fā)展的快速成長期，同時(shí)利用可視化軟件分析其演化發(fā)展過程、學(xué)科結(jié)構(gòu)等方面的內(nèi)容，為了解和掌握這些內(nèi)容提供了獨(dú)特的視角和知識(shí)。

〔關(guān)鍵詞〕文獻(xiàn)計(jì)量學(xué)；可視化；

神經(jīng)網(wǎng)絡(luò)

收稿日期：2011－04－20

基金項(xiàng)目：本文受“863”課題2010AA5221資助

DOI：10．3969／j．issn．1008－0821．2011．08．026

〔中圖分類號(hào)〕G250.252 〔文獻(xiàn)標(biāo)識(shí)碼〕A 〔文章編號(hào)〕1008－0821（2011）08－0103－06

Research on the Path of Neural Network Based on Bibliometric

Zhou Yangming Shui Chao Sun Zhixin Huang Qiang

（College of Information Management，National University of Defense Technology，Changsha 410073，China）

〔Abstract〕The neural network is involved in biology，computer，mathematics，electronics，physics，psychology，cognitive science and other disciplines，its an interdisciplinary marginal.This paper used bibliometric methods to divide the neural network into three periods:exploring，growth and rapid development，and pointed out that the current neural network is in rapid development period.It also used the visualization software to analyze the evolution process of development，the subject structure，and so on.It offer an unique perspective and knowledge to understand and master the content neural network.

〔Key words〕bibliometrics;visualization;neural network

神經(jīng)網(wǎng)絡(luò)是涉及生物、計(jì)算機(jī)、數(shù)學(xué)、電子、物理、心理學(xué)、認(rèn)識(shí)科學(xué)等多個(gè)學(xué)科領(lǐng)域的一門邊緣性交叉學(xué)科，從神經(jīng)網(wǎng)絡(luò)的形成到現(xiàn)在的80多年中，不斷推動(dòng)著一大批相關(guān)學(xué)科的發(fā)展。本文運(yùn)用文獻(xiàn)計(jì)量的方法對神經(jīng)網(wǎng)絡(luò)的發(fā)展歷程進(jìn)行再回顧和再分析，將神經(jīng)網(wǎng)絡(luò)劃分為誕生期、成長期和快速發(fā)展期，利用可視化分析、共引分析、詞頻分析等方法揭示神經(jīng)網(wǎng)絡(luò)發(fā)展的學(xué)科結(jié)構(gòu)、影響程度、關(guān)鍵節(jié)點(diǎn)與時(shí)間點(diǎn)等重要而獨(dú)特的知識(shí)，為了解和掌握神經(jīng)網(wǎng)絡(luò)的發(fā)展與演化過程提供了獨(dú)特視角。

1 數(shù)據(jù)來源

SCI（Science Citation Index）是美國科學(xué)情報(bào)研究所ISI（Institute for Science Information）出版的期刊文獻(xiàn)檢索工具，所收錄的文獻(xiàn)覆蓋了全世界最重要和最有影響力的研究成果，成為世界公認(rèn)的自然科學(xué)領(lǐng)域最為重要的評價(jià)工具，并于1997年利用互聯(lián)網(wǎng)的開放環(huán)境，將SCI、SSCI（Social Science Citation Index）、AHCI（Art Humanities Citation Index）整合，創(chuàng)建了網(wǎng)絡(luò)版的多學(xué)科引文數(shù)據(jù)庫——Web of Science。本文以Web of Science中的SCI數(shù)據(jù)庫為數(shù)據(jù)來源，選用高級(jí)檢索方式，以“Neural Network”和“Neural Networks”為主題詞，邏輯關(guān)系選擇“OR”，檢索時(shí)間設(shè)置為1900－2010年（數(shù)據(jù)庫更新日期2011年3月30日），一共檢索到86 863篇相關(guān)文獻(xiàn)記錄。表示2010年以前文獻(xiàn)發(fā)表年度變化情況，關(guān)于神經(jīng)網(wǎng)絡(luò)的論文是從1956年的1篇增加到2010年的7 119篇（1956年以前的數(shù)據(jù)均為0），總體呈現(xiàn)上升趨勢。圖中虛線是根據(jù)論文數(shù)量變化情況的分割線，將神經(jīng)網(wǎng)絡(luò)的發(fā)展史劃分為3個(gè)時(shí)期——探索期、成長期和快速發(fā)展期，目前正處于快速發(fā)展時(shí)期。

2 坎坷探索期（1943-1985年）

利用基于JAVA平臺(tái)的引文分析可視化軟件CitespaceⅡ，首先設(shè)定時(shí)間跨度為1956-1985年，時(shí)間切片長度為3年，聚類方式為共被引聚類（Cited Reference），閾值選擇為（2，2，20）、（2，2，20）、（2，2，20）。Citespace得出這些引文的時(shí)間跨度為1943－1985年，從而繪制出該時(shí)間段的神經(jīng)網(wǎng)絡(luò)論文時(shí)區(qū)分布圖。

可以劃分為3個(gè)聚類。A1聚類中有2個(gè)節(jié)點(diǎn)明顯的節(jié)點(diǎn)，其中第1個(gè)代表了1943年《A Logical Calculus of the Ideas Immanent in Nervous Activity》［1］的發(fā)表，該文中心理學(xué)家McCulloch和數(shù)學(xué)家Pitts合作提出的神經(jīng)元的形式化模型，建立了閾值加權(quán)和模型（MP模型），拉開了神經(jīng)網(wǎng)絡(luò)研究的序幕。其后，心理學(xué)家D.O.Hebb在1949年發(fā)表《The Organization of Behavior》［2］一書中提出神經(jīng)元突觸聯(lián)系可變假說，即Hebb學(xué)習(xí)規(guī)則，是神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練算法的起點(diǎn)。

從20世紀(jì)50年代開始，以符號(hào)機(jī)制（Symbolism）為代表的經(jīng)典人工智能（Artificial Intelligence，簡稱AI）形式體系取得了巨大的成功，這樣的研究大環(huán)境推動(dòng)著許多專家學(xué)者紛紛開始了對神經(jīng)網(wǎng)絡(luò)的研究，形成了A2聚類。從圖中可以看出，該時(shí)期的研究成果大部分集中于1961－1968年，堪稱神經(jīng)網(wǎng)絡(luò)研究的黃金期。原因在于，1958年，F(xiàn).Rosenblatt在MP模型的基礎(chǔ)上，提出了單級(jí)感知機(jī)及電子線路模擬，建立了第一個(gè)真正的神經(jīng)網(wǎng)絡(luò)模型，激發(fā)了許多學(xué)者對神經(jīng)網(wǎng)絡(luò)研究的極大興趣，形成了神經(jīng)網(wǎng)絡(luò)歷史上的一次熱潮。哈佛大學(xué)醫(yī)學(xué)院神經(jīng)生物學(xué)教授D.Hubel對腦部視覺系統(tǒng)的信息處理進(jìn)行了深入研究，提出了生物神經(jīng)系統(tǒng)模型，這是神經(jīng)網(wǎng)絡(luò)在神經(jīng)生理學(xué)上的應(yīng)用。意大利科學(xué)家Caianiello則在神經(jīng)元模型中引入了不應(yīng)期特征，從信息處理的角度研究了自組織性、自穩(wěn)定性和自調(diào)節(jié)律。視覺神經(jīng)專家F.Ratliff將視網(wǎng)膜抑制和抑制解除類比神經(jīng)系統(tǒng)進(jìn)行研究。

可是從20世紀(jì)60年代末到80年代初圖中凸顯節(jié)點(diǎn)明顯減少，說明該時(shí)期神經(jīng)網(wǎng)絡(luò)研究表現(xiàn)。其原因在于1969年神經(jīng)網(wǎng)絡(luò)代表人物的Minsky和Papert在MIT出版了論著《Perceptrons》［3］，對單層神經(jīng)網(wǎng)絡(luò)進(jìn)行了深入分析，并且從數(shù)學(xué)上證明了它的局限性，指出線性感知機(jī)功能是有限的，它不能解決如“異或”這樣的簡單邏輯運(yùn)算問題。由于Minsky在人工智能領(lǐng)域的巨大威望和論著中的悲觀結(jié)論，使得有些學(xué)者毫不猶豫地否定了該研究方法。加之當(dāng)時(shí)串行計(jì)算機(jī)和人工智能所取得的成就，掩蓋了發(fā)展新型計(jì)算機(jī)和人工智能新途徑的必要性和迫切性，這一切直接導(dǎo)致的后果是，計(jì)算機(jī)科學(xué)界基本放棄了神經(jīng)網(wǎng)絡(luò)領(lǐng)域，美國聯(lián)邦基金取消了支助神經(jīng)網(wǎng)絡(luò)方面的研究長達(dá)15年之久，前蘇聯(lián)也取消了幾項(xiàng)研究計(jì)劃，從此神經(jīng)網(wǎng)絡(luò)的研究處于一個(gè)極度困難的“低潮時(shí)期”。

然而在10多年的“低潮時(shí)期”中，雖然研究的前景不被看好，但仍然有許多重要成果誕生。

A3聚類中的幾個(gè)節(jié)點(diǎn)代表了當(dāng)時(shí)的一些重要研究成果，如日本學(xué)者K.Fukushima提出了認(rèn)知機(jī)模型，是目前為止結(jié)構(gòu)上最為復(fù)雜的多層網(wǎng)絡(luò)。1974年，W.A.Little發(fā)表的文章《The existence of persistent states in the brain》［4］，指出一些記憶或情感等行為的發(fā)生并不一定需要認(rèn)知過程，而是強(qiáng)調(diào)與腦中神經(jīng)網(wǎng)絡(luò)有直接關(guān)系。Wilson則從數(shù)學(xué)角度構(gòu)建了腦神經(jīng)組織的神經(jīng)模型。與此同時(shí)，適應(yīng)諧振理論（ART網(wǎng)）、自組織映射等理論也在這個(gè)時(shí)期初現(xiàn)端倪，為神經(jīng)網(wǎng)絡(luò)的再次崛起奠定了堅(jiān)實(shí)基礎(chǔ)。

在A3聚類中，圖示上方有一個(gè)明顯的節(jié)點(diǎn)，是美國加州工學(xué)院物理學(xué)家J.Hopfield在1982年發(fā)表了重要文章《Neural Networks and Physical Systems With Emergent Collective Computational Abilities》［5］。該文引入了“計(jì)算能量”概念，提出Hopfield神經(jīng)網(wǎng)格模型，給出了網(wǎng)絡(luò)穩(wěn)定性判斷。1984年，他又提出了連續(xù)時(shí)間Hopfield神經(jīng)網(wǎng)絡(luò)模型，為神經(jīng)計(jì)算機(jī)的研究做了開拓性的工作，開創(chuàng)了神經(jīng)網(wǎng)絡(luò)用于聯(lián)想記憶和優(yōu)化計(jì)算的新途徑，有力地推動(dòng)了神經(jīng)網(wǎng)絡(luò)的研究。這一系列論文的發(fā)表推翻了Minsky關(guān)于感知機(jī)無科學(xué)價(jià)值的判斷，標(biāo)志著神經(jīng)網(wǎng)絡(luò)理論產(chǎn)生了重大突破，喚醒了學(xué)術(shù)界對神經(jīng)網(wǎng)絡(luò)研究的興趣。

3 穩(wěn)步成長期（1986-2001年）

從1986年開始，神經(jīng)網(wǎng)絡(luò)的論文數(shù)量明顯增多，神經(jīng)網(wǎng)絡(luò)研究開始進(jìn)入穩(wěn)步成長期。1987年，美國召開第一次神經(jīng)網(wǎng)絡(luò)國際會(huì)議，宣告了這一新學(xué)科的誕生，說明神經(jīng)網(wǎng)絡(luò)已經(jīng)被國際社會(huì)所認(rèn)知，已經(jīng)完全從“低潮”的陰影下走了出來。在國際上，《Neural Networks》雜志于1988年創(chuàng)刊，《IEEE Transactions on Neural Networks》雜志也在1990年誕生，這些事實(shí)表明，神經(jīng)網(wǎng)絡(luò)已經(jīng)步入穩(wěn)步成長時(shí)期。我國也于1990年和1991年召開了兩次神經(jīng)網(wǎng)絡(luò)學(xué)術(shù)大會(huì)，并成立了中國神經(jīng)網(wǎng)絡(luò)學(xué)會(huì)，這是我國神經(jīng)網(wǎng)絡(luò)發(fā)展以及走向世界的良好開端，也標(biāo)志著我國進(jìn)入了神經(jīng)網(wǎng)絡(luò)研究的初級(jí)階段。

時(shí)期引文最多的前六篇論文。影響巨大的是1986年D.Rumelhart和J.McClelland領(lǐng)導(dǎo)的PDP研究小組。他們總結(jié)了當(dāng)時(shí)神經(jīng)網(wǎng)絡(luò)在物理學(xué)、數(shù)學(xué)、分子生物學(xué)、神經(jīng)科學(xué)、心理學(xué)和計(jì)算機(jī)科學(xué)等許多相關(guān)學(xué)科的著名學(xué)者從不同研究方向或領(lǐng)域取得的重要成果，主要致力于認(rèn)知的微觀研究，探討認(rèn)知過程的機(jī)理，并發(fā)表了著作《Parallel Distributed Processing：Exploration in the Microstructures of Cognition》［6］，建立了并行分布處理理論，重新提出了簡明有效的誤差反傳（Error Back-Propagation，BP）算法［7］。一些理論研究成果如雨后春筍般相繼誕生，1989年，奧地利維也納工業(yè)大學(xué)統(tǒng)計(jì)與數(shù)學(xué)系教授K.Hornik研究了統(tǒng)計(jì)計(jì)算和數(shù)據(jù)挖掘，特別是對量化風(fēng)險(xiǎn)管理的應(yīng)用領(lǐng)域的各種數(shù)據(jù)進(jìn)行分析定量；1991年，J.Hertz發(fā)表了《Introduction to Theory of Neural Compution》［8］，全面論述了神經(jīng)計(jì)算理論，為神經(jīng)網(wǎng)絡(luò)的計(jì)算復(fù)雜性分析奠定了基礎(chǔ)；1989年，G.Cybenko對隱層神經(jīng)網(wǎng)絡(luò)的函數(shù)逼近能力進(jìn)行了深入研究，并發(fā)表了《Approximation by superpositions of a sigmoidal function》［9］，討論了非線性可能實(shí)施人工神經(jīng)網(wǎng)絡(luò)的逼近性質(zhì)類型。S.Haykin發(fā)表了《Neural networks:a comprehensive foundation》［10］一文，則從工程學(xué)前景全面論述了神經(jīng)網(wǎng)絡(luò)的誤差反傳學(xué)習(xí)、徑向基函數(shù)網(wǎng)絡(luò)、自組織系統(tǒng)等。這一系列研究成果的誕生促使人工神經(jīng)網(wǎng)絡(luò)基礎(chǔ)理論走向成熟，導(dǎo)致與之相關(guān)的技術(shù)及其性能大幅改善。

我們利用ESI學(xué)科分類的方法，繪制了這個(gè)時(shí)期各個(gè)學(xué)科神經(jīng)網(wǎng)絡(luò)論文數(shù)量的變化情況。該圖說明在1990年后，各學(xué)科都致力于神經(jīng)網(wǎng)絡(luò)領(lǐng)域的研究，曲線呈明顯上升趨勢。特別是在工程學(xué)方面的論文增長迅速，標(biāo)志著該研究領(lǐng)域一些技術(shù)已經(jīng)成熟并進(jìn)入實(shí)用階段。為此，神經(jīng)網(wǎng)絡(luò)在20世紀(jì)90年代后開始受到各個(gè)國家的重視。美國國會(huì)通過決議將1990年1月5日開始的10年定為“腦的10年”，日本于1996年制定為期20年的“腦科學(xué)時(shí)代——

腦科學(xué)研究推進(jìn)計(jì)劃”。這段時(shí)期，各個(gè)國家已經(jīng)將資金大量注入神經(jīng)網(wǎng)絡(luò)研究領(lǐng)域。在美國，神經(jīng)計(jì)算機(jī)產(chǎn)業(yè)在此時(shí)期獲得軍方的強(qiáng)有力支持，僅一項(xiàng)8年神經(jīng)計(jì)算機(jī)計(jì)劃就投資4億美元。在歐洲共同體的ESPRIT計(jì)劃中，單是生產(chǎn)神經(jīng)網(wǎng)絡(luò)專用芯片這一項(xiàng)就投資2 200萬美元。

4 快速發(fā)展期（2002年至今）

曲線表明從2002年開始，曲線呈現(xiàn)躍升態(tài)勢，神經(jīng)網(wǎng)絡(luò)的研究進(jìn)入了突飛猛進(jìn)的時(shí)期。從2002－2010年這9年間的論文總數(shù)為54 767篇，占到了全部總數(shù)86 863篇的63%。為了研究當(dāng)前神經(jīng)網(wǎng)絡(luò)的熱門領(lǐng)域和前沿，利用自編的文獻(xiàn)計(jì)量軟件對近五年（2006-2010年）的34 573篇論文的關(guān)鍵詞進(jìn)行抽取并統(tǒng)計(jì)分析這些論文中全部主題詞的頻次，現(xiàn)列出出現(xiàn)頻次最高的30個(gè)關(guān)鍵詞。

“遺傳算法”是最近五年間的研究熱點(diǎn)，共出現(xiàn)974次，遺傳算法是一種新的全局優(yōu)化搜索算法，具有簡單通用、適于并行處理等顯著特點(diǎn)，已經(jīng)成為了關(guān)鍵智能算法之一。“功能核磁共振成像技術(shù)”出現(xiàn)頻次為701次，使人們可以在無創(chuàng)傷的條件下了解腦的組織結(jié)構(gòu)和相應(yīng)組織結(jié)構(gòu)的基本功能，觀察在一定思維狀態(tài)下究竟哪些腦組織參與活動(dòng)［11］?！爸С窒蛄繖C(jī)”一詞出現(xiàn)頻次是688次，它是基于統(tǒng)計(jì)學(xué)習(xí)理論的一種新的機(jī)器學(xué)習(xí)技術(shù)，很好的解決了小樣本學(xué)習(xí)的問題。“模擬”出現(xiàn)了512次，體現(xiàn)了腦模擬研究的基礎(chǔ)地位。

通過定性分析，我們可以聚類圖分為A、B兩個(gè)大類群，分別代表腦模擬研究和腦科學(xué)研究。A類群表示以人的大腦（如學(xué)習(xí)和記憶能力）為模擬對象，而抽象出的工作原理、算法及模擬應(yīng)用；B類群表示腦的結(jié)構(gòu)和功能的科學(xué)研究，主要包括對海馬體、前額葉皮層等腦結(jié)構(gòu)的研究，以及對記憶、精神分裂等腦的認(rèn)知行為和過程研究，這些都是目前腦神經(jīng)網(wǎng)絡(luò)的熱門研究方向。

當(dāng)前，以腦模擬為目標(biāo)的人工神經(jīng)網(wǎng)絡(luò)已經(jīng)取得了重大進(jìn)展。根據(jù)A類群聚類分析結(jié)果，分析各類關(guān)鍵詞之間的語義關(guān)系，可以劃分為4個(gè)子群，代表目前該研究領(lǐng)域的研究熱點(diǎn)，包括：

Ⅰ群：基礎(chǔ)應(yīng)用研究。此群表明了人工神經(jīng)網(wǎng)絡(luò)的主要應(yīng)用范圍和領(lǐng)域，主要包括決策樹、數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)、退火算法、聚類、模擬等。

Ⅱ群：基礎(chǔ)算法研究。此群表明了人工神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)算法，主要涉及模糊神經(jīng)網(wǎng)絡(luò)和遺傳算法。其中模糊神經(jīng)網(wǎng)絡(luò)自1993年被提出的，是將Mamdani模糊模型和多層前向網(wǎng)絡(luò)相結(jié)合的一種算法，成為智能控制研究領(lǐng)域的一個(gè)活躍的分支。遺傳算法是基于全局搜索的非線性反演方法，通過群體搜索策略使個(gè)體之間在群體內(nèi)進(jìn)行信息交換。這兩種算法都具有方法簡單、普遍適應(yīng)的特性。

Ⅲ群：基于時(shí)間序列的行為預(yù)測算法研究。行為預(yù)測算法是數(shù)據(jù)挖掘中的一類典型問題，大量研究表明，神經(jīng)網(wǎng)絡(luò)預(yù)測優(yōu)于統(tǒng)計(jì)預(yù)測，目前已被廣泛應(yīng)用在經(jīng)濟(jì)、氣象、通信、醫(yī)療等領(lǐng)域。

Ⅳ群：神經(jīng)網(wǎng)絡(luò)的互聯(lián)結(jié)構(gòu)研究。此群表明了人工神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)理論，包括神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性、紊亂度、同步、識(shí)別等。當(dāng)神經(jīng)網(wǎng)絡(luò)應(yīng)用于解決最優(yōu)化問題時(shí)，由于神經(jīng)之間進(jìn)行通訊傳播的時(shí)滯會(huì)影響神經(jīng)系統(tǒng)的動(dòng)力學(xué)行為［12］，因此，必須要確定平衡點(diǎn)的存在惟一性和平衡點(diǎn)的穩(wěn)定性，包括了神經(jīng)網(wǎng)絡(luò)模型的全局漸近穩(wěn)定性、指數(shù)穩(wěn)定性以及魯棒穩(wěn)定性等一系列問題，是神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)研究的基礎(chǔ)研究方向。

Ⅴ群：代表了當(dāng)前一些較為獨(dú)立的研究領(lǐng)域，包括反饋神經(jīng)網(wǎng)絡(luò)、誤差反傳神經(jīng)網(wǎng)絡(luò)、概率神經(jīng)網(wǎng)絡(luò)、自組織映射等。其中反饋神經(jīng)網(wǎng)絡(luò)的突出特點(diǎn)是具有聯(lián)想記憶功能，跟人腦的工作方式很相似。誤差反傳網(wǎng)絡(luò)是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。概率神經(jīng)網(wǎng)絡(luò)是基于密度函數(shù)估計(jì)和貝葉斯決策理論而建立的一種分類網(wǎng)絡(luò)，它的拓?fù)浣Y(jié)構(gòu)簡單，容易設(shè)計(jì)算法，廣泛應(yīng)用于模式識(shí)別及模式分類領(lǐng)域。自組織映射在聚類領(lǐng)域被廣泛使用，其在可視化領(lǐng)域的應(yīng)用也是研究的熱點(diǎn)，實(shí)現(xiàn)了對高維數(shù)據(jù)的把握。

5 結(jié)束語

本文采用文獻(xiàn)計(jì)量方法和可視化工具，利用SCI數(shù)據(jù)庫中反映神經(jīng)網(wǎng)絡(luò)主題的文獻(xiàn)進(jìn)行統(tǒng)計(jì)，分3個(gè)時(shí)期對神經(jīng)網(wǎng)絡(luò)的發(fā)展以及熱門研究方向進(jìn)行了直觀的描述，客觀的反映了神經(jīng)網(wǎng)絡(luò)的發(fā)展歷程，從而對神經(jīng)網(wǎng)絡(luò)的發(fā)展軌跡有更加清晰的認(rèn)識(shí)。從發(fā)展前景來看，當(dāng)前研究分為腦神經(jīng)網(wǎng)絡(luò)研究和人工神經(jīng)網(wǎng)絡(luò)研究兩個(gè)方面。其中腦神經(jīng)網(wǎng)絡(luò)研究重點(diǎn)研究了腦結(jié)構(gòu)及其認(rèn)知過程，形成了“腦結(jié)構(gòu)的認(rèn)知機(jī)理”研究這一重要研究方向。在人工神經(jīng)網(wǎng)絡(luò)方面，部分理論和技術(shù)已經(jīng)成熟，并已經(jīng)滲透到語音識(shí)別、圖像識(shí)別與理解、智能機(jī)器人、企業(yè)管理、市場分析、決策優(yōu)化、物資調(diào)運(yùn)自適應(yīng)控制、專家系統(tǒng)、智能接口等領(lǐng)域中，應(yīng)用前景十分廣泛。

參考文獻(xiàn)

［1］McCulloch W S，Pitts W H.A Logical Calculus of the Ideas Immanent in Nervous Activity［J］.Bulletin of Mathematical Biophysics，1943，(5).

［2］Hebb D O.The Organization of Behavior［M］.New York:John Wiley，1949.

［3］Minsky M，Papert S.Perceptrons［M］.Cambridge:MIT Press，1969.

［4］Little.The existence of persistent states in the brain［J］.Mathematical Biosciences，1974.

［5］Hopfield J J.Neural Networks and Physical Systems With Emergent Collective Computational Abilities.In:Proceeding of National Academy of Science，USA，1982：

79.

［6］Rumelhart，McClelland.Parallel Distributed Processing:Explorations in the Microstructure of Cognition［M］.1986.12.

［7］馮天瑾.智能學(xué)簡史［M］.北京:科學(xué)出版社，2007.

［8］Hertz，Introduction to Theory of Neural Compution［J］.Complexity Science Series，1991.

［9］CYBENKO.Approximation by superpositions of a sigmoidal function［J］.Mathematics of Control，Signals，and Systems，1989.2.

［10］HAYKIN，Neural networks:a comprehensive foundation［M］.1994.

［11］中國人工智能學(xué)會(huì).2009-2010年智能科學(xué)與技術(shù)科學(xué)發(fā)展報(bào)告［M］.北京:中國科學(xué)技術(shù)出版社，2010.

［12］崔萍.一類具有時(shí)滯的Cohen-Grossberg神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性［J］.楚雄師范學(xué)院學(xué)報(bào)，2010，25(12):3.