工作行為感測-演算法之類神經網路-初稿

從古至今，大腦究竟是如何運作，如何從事思考的確實步驟方法一直是科學界最大的謎團之一。直到十九世紀末，西班牙的神經組織學家拉蒙-卡哈爾(S.R.y Cajal)才提出了在現代較廣為人知的神經元學說。

所謂神經元(neuron)，是包括大腦在內的所有神經系統組織的基本單元。每個神經元都由一個包含細胞核的細胞體組成。而從其本體擴展出來得分支有被稱為樹突(dentrites)的細小纖維束與軸突(axon)的單一長纖維束。信號透過複雜的電化學反應在神經元間傳輸。首先進入樹突，提高或降低細胞的電位。當達到臨界值時，就沿著軸突傳送一個電波。電波在沿著軸突擴展開來並傳到其他神經元。因此在這個地方，可以將樹突看成是一種輸入。並將軸突看成是輸出。

此圖可以概略描述一個神經元的架構，其中軸突的長度約為細胞體直徑的一百倍

而在本章要介紹的類神經網路，可看成是一種演算系統。是使用大量的人工神經元來模仿生物神經網路的架構及能力。它從外在環境或其他人工神經元取得資訊，經過運算後，將其結果輸出到外在環境或其他人工神經元。在此，人工神經元也稱為類神經元(artificial neuron)。

一個類神經網路是由多個單元(units)，以鏈結(links)連結在一起。其中，每個鍊結都有一個對應的數字權重(weight, W)。權重是類神經網路做儲存的重要方法，類神經網路通常藉由更新權重來達成學習的目的

。

類神經單元模型

上圖為一個類神經單元的簡單模型，其中W代表權重，In為輸入，而Y代表輸出。T則會下面的段落詳加解釋。由多個像這樣的類神經元組成的網路，即是類神經網路。

圖為類神經網路模型與一般生物神經網路模型之比較

圖1為類神經網路的簡單模型，最左邊一列稱為輸入層(input layer)。最右邊的一列稱為輸出層(output layer)。而中間被稱為隱藏層(hidden layer)。在類神經網路中，隱藏層可以有多層，但通常習慣只用一層。而隱藏層的鏈結越多，整個網路的非線性就越顯著。另外，在輸出層的部分有個值得一提的地方。一般為人所知的神經元模型就如同前面描述過的，輸出是會擴展示其他多的神經元的。以圖來看，意思就是輸出不應該只有一個。但注意到，在類神經網路中，每個輸出單元是彼此獨立的。而且每個權重只影響到一個輸出，因此在模型表示上可以將研究限定在單一一個輸出單元。

執行一個類神經網路演算法的所期望達到的目標是，使網路的輸出輸入行為與提供輸入的環境行為更加一致。因此，把前面未定義的T定義為正確的輸出，並將上圖模型中的O定義為輸出單元的預期輸出。有了這兩個要素，即可定義誤差值Err。其數學式表示如下

Err=T-O

當誤差產生時，網路就開始藉由小幅度調整權重以降低O值與T值之間的差異並更新網路。這個步驟可能會重複多次以達到收斂性。然而，該如何蒐尋收斂於正確的權重，就必須透過適當的搜尋演算法了。一般而言，類神經網路所使用來搜尋權重的整體最小值(global minimun)的方法是利用坡度遞降法(gradient descent)。但此法有個缺點是所得到的解可能只是區域最小值而非整體最小值。

區域最小值(local minimum)與整體最小值(global minimum)的比較

類神經網路演算法有幾個在使用時必須要注意的項目，第一個是過度訓練與訓練不足的問題。一般在學習的過程中，若是連雜訊也一起學習進去，就會造成過度訓練。此狀況的發生將導致對新資料有不良的預測結果。若訓練不足，也同樣無法對新資料產生良好的預測。但通常比較為人所重視的往往是訓練不足的問題，因為若能收斂，則表示此網路已有相當程度的學習。

另一個是隱藏成數目與神經元數目的決定。一般而言，大都問題最多只需兩個隱藏層即可解決，層數越多，整體運算就會越複雜。前面段落所提到的區域最小值問題也越容易發生。至於神經元數的決定，一般皆採用錯誤嘗試法來找到最佳的數目。

最後，參考類神經網路演算法的特性。可得知此種演算法可建構非線性的模型，準確度高。且本身具有推理能力，可適用的領域相當廣。而其缺點為準備工作費時(須決定層數與神經元數以及設定學習參數)，以及計算量大，相當耗費電腦資源。