自动驾驶中的行人检测技术有哪些?（二）
编辑搜图
请点击输入图片描述（最多18字）
在智慧交通领域，行人检测已经取得了不少成就。
利用图像分割、深度学习等计算机视觉技术，行人检测为自动驾驶行业发展提供了重要的技术保障，使得自动驾驶车辆能够更加准确地感知和理解周围环境，并做出更加智能和安全的决策。
下面，本文将继续介绍自动驾驶中常见的行人检测技术。
一、基于特征提取的行人检测方法特征提取是计算机视觉与图像处理技术中的一个基本概念，所谓特征提取，是指从目标图像特征中选取一些具有代表性、分类能力强的特征。
每张图像都有很多特征表象，如颜色、灰度、纹理特征等，这些特征从不同的角度代表了整张图像。在行人检测领域，行人是非刚性物体，位置姿态具有多样性，因此辨别能力强，鲁棒性好，较适用于特征提取的检测方法。
底层特征检测法
在众多应用于行人检测的底层特征中，主流的检测法为2005年提出的方向梯度直方图（HistogramofOrientedGradient，HOG）特征，大多数行人检测法都是基于HOG特征和SVM分类器的思路改进的。
HOG通过计算图像局部信息的梯度、幅值、方向等特征检测人的图形，得出水平和竖直的梯度幅值及像素点的梯度角，利用梯度幅值来对梯度角展开加权，勾勒出图像的局部梯度幅值以及相应的方向，最后利用SVM分类器进行分类预测。
HOG特征检测法可以让不同模块相互重叠，所以对光照偏移和位置移动有很大的容差性，这种特征具备较高的鲁棒性，可以很好地表现出人体的特征。
混合特征检测法
多特征是在单特征基础上构建起来的，单一特征检测往往存在检测精度较低，泛化能力较弱等缺陷。
如低光照环境中，捕捉到的可见光非常糟糕，基于单可见光模态的道路行人检测器难以获取足够多的行人特征，会给后续检测带来一定困难。
而混合特征检测可以利用多光谱图像进行全方位的识别，将多光谱图像和其他类型的图像特征组合起来，包括纹理特征、形状特征、颜色特征等，在整个图像特征空间中寻找具有代表性的特征，从而削弱光照对检测结果的影响。
常见的多模态检测法为：
● 将HOG特征和描述纹理的LBP特征进行融合，该算法加入了加权部件，对待测图像中的每一目标附上权值，有效降低遮挡或行人目标部分重合造成的影响。
● 基于共生梯度方向直方图(CoHOG)的行人检测方法，该方法通过多个梯度方向的特征描述行人目标，相较于基于HOG单特征的行人检测方法具有更高的准确率及召回率。
● 基于边缘特征的检测法，结合行人颜色、纹理信息，采用偏最小二乘(PLS)降低维度，提升计算效率。
多模态融合的行人检测方法，其检测速度、准确率、鲁棒性各有不同，因此在不同应用场景下所选择的行人特征描述也各有差异。
二、基于分类与定位的行人检测法该检测方法可以直接判断待检测图像中是否存在行人并进行窗口定位。目前，常用的分类定位法包括滑动窗口法与超越滑动窗口法。
滑动窗口法
滑动窗口法需要在待测图像中选择一个固定宽高的窗口并依序滑动，并通过分类器模型判别窗口内的行人特征。该方法由整体法与部分法两种方法组成。
● 整体法
整体法可以直接提取窗口内行人目标的全局特征，常见的方法包括SVM、Boosting等。在训练数据集时，整体法只需用矩形框标注出行人区域，这种方法执行效率较高，但同时也容易易忽视细节特征，在拥挤环境、遮挡影响下的行人检测精度会大幅降低，因此该方法不适用于小目标行人的检测。
● 部分法
部分法基本原理是将行人划分为若干个不同部位，再分别对检测不同部位的分类器进行训练，并建立各个部位之间的几何关系。相比整体法，部分法通常对遮挡较多、行人重叠等场景具有较强的鲁棒性，然而各部位与整体图像的匹配需要大量时间，因此在实时性方面难以达到应用要求。
超越滑动窗口法
与滑动窗口法相比，超越滑动窗口法在行人检测技术中应用较少。
● 高效子窗口搜索法：顾名思义，这是一种能快速定位目标的方法，但计算过程较复杂。
● 交替搜索的近似算法：是对高效子窗口搜索法的改进，其速度可增加约900倍，但在遮挡环境下表现较为一般。
● 隐式形状模型：隐式形状模型是前两种方法的结合，它不依赖图像预处理来区别复杂场景，不仅能快速定位，且能有效解决遮挡问题，但其局部特征的检测精度较差，难以兼顾检测实时性，误检率较高。
三、实现细节行人检测系统的构建除了与特征提取、分类定位、图像分割、深度学习等技术相关外，还与训练样本质量密切相关。
训练样本质量对行人检测系统构建非常重要。在训练深度学习模型时，需要海量优质训练数据才能够提升模型的性能。对于行人检测系统来说，训练样本应该包含各种不同的场景、天气、时间和光照条件下的行人图像，以确保模型在各种情况下都具备较好的泛化能力。
此外，还需要注意训练样本的标注质量，标注的准确性会直接影响行人检测模型的性能和效果。如果标注的边界框和分类标签不准确，模型就会学到错误的特征，导致检测错误率上升。
编辑搜图因此，在进行数据标注时，需要使用高质量的数据标注工具，并由专业的标注人员进行标注。标注人员需要根据预先定义好的标注规则来标注每个行人的边界框并确定其类别。在标注过程中，需要仔细查看每张图片，细致地标注每个行人，确保标注的准确性和一致性。
在标注行人时，常用的工具包括使用语义分割、实例分割、矩形框与多边形标注等，以更直观地标注每个行人的位置和形状，提升标注工作时效性。
“如在拉框标注时，行人训练样本的标注中往往给出的是包含行人的最小矩形窗口，但实际上，可以对框体继续向下延伸，因为行人一般站在地面上，而地面的特征通常相对固定，扩充窗口可以提高行人标注的准确性。”
综上所述，标注数据质量是行人检测系统能否达到预期性能的关键因素。如果标注不准确，训练数据质量差，会严重影响模型的性能，从而导致行人检测精度下降或漏检等问题。
人工智能神经网络概念股,神经网络芯片概念股
1、人工智能概念股有哪些？人工智能芯片谁是龙头？人工智能包含硬件智能、软件智能和其他。
硬件智能包括：汉王科技、康力电梯、慈星股份、东方网力、高新兴、紫光股份。
软件智能包括：金自天正、科大讯飞。
其他类包括：中科曙光、京山轻机。
谷歌人工智能写作项目：小发猫
2、人工智能股票有哪些？1、苏州科达：苏州科达科技股份有限公司是领先的视讯与安防产品及解决方案提供商，致力于以视频会议、视频监控以及丰富的视频应用解决方案帮助各类政府及企业客户解决可视化沟通与管理难题ai神经网络概念股。
2012年，公司整体改制为股份有限公司；2016年12月1日，公司在上海证券交易所主板挂牌上市。
2、佳都科技：佳都科技（PCI）创立于1986年，总部位于中国广州，在中国30多个区域设有分公司或办事处，员工超过2000人，拥有科学家研发团队，
设立了佳都科技全球人工智能技术研究院和交通大脑研究院，建设或参与建设2个国家联合实验室、1个国家企业技术中心、4个省级工程技术中心。
3、千方科技：北京北大千方科技有限公司是由北京大学作为法人股东之一，以留学归国科技人员、清华大学和北京大学的教授、博士、硕士为主要技术力量，与北京大学地学院全面合作组建的高新技术企业、软件企业。
公司在交通领域的业务取得了快速的发展，在交通信息化建设的基础上，又拓展了交通信息服务和交通出行媒体运营等多方面的业务。
4、卫宁健康：公司成立于1994年，是国内第一家专注于医疗健康信息化的上市公司，致力于提供医疗健康卫生信息化解决方案，不断提升人们的就医体验和健康水平。
卫宁健康通过持续的技术创新，自主研发适应不同应用场景的产品与解决方案，业务覆盖智慧医院、区域卫生、基层卫生、公共卫生、医疗保险、健康服务等领域。
5、神思电子
神思电子是国内著名的身份识别解决方案提供商和服务商，也是公安部认证的居民身份证阅读机具定点生产企业。
6、科大讯飞
科大讯飞主要从事智能语音及语言技术研究、软件及芯片产品开发、语音信息服务及电子政务系统集成等等。
7、中科曙光
中科曙光是国内高性能计算领域的领军企业，也是亚洲第一大高性能计算机厂商。主要从事研究、开发、生产制造高性能计算机、通用服务器及存储产品，并围绕高端计算机提供软件开发、系统集成与技术服务等等。
8、浪潮信息
浪潮是中国最早的IT品牌之一，它是中国领先的云计算、大数据服务商。拥有云数据中心、云服务与大数据、智慧城市和智慧企业四大业务群组。浪潮服务器也位居中国市场第一、全球前三。
3、听说云知声是“AI语音第一股”，是真的吗？云知声怎么样？是真的。在AI人工智能领域，智能语音是发展得最为成熟的赛道。作为人工智能语音行业早期的入局者，云知声确实被称为“AI语音第一股”。通过在人工智能领域的不断深耕，如今云知声已经发展成为一家顶尖的物联网人工智能服务提供商，它以全栈AI技术为核心，立足云芯一体化平台，提供面向智慧物联、智慧医疗等场景的物联网智能化产品服务，深得众多合作伙伴的信赖与好评。
4、人工智能是怎么起源的人工智能（ArtificialIntelligence）,英文缩写为AI,是一门由计算机科学、控制论、信息论、语言学、神经生理学、心理学、数学、哲学等多种学科相互渗透而发展起来的综合性新学科。自问世以来AI经过波波折折，但终于作为一门边缘新学科得到世界的承认并且日益引起人们的兴趣和关注。不仅许多其他学科开始引入或借用AI技术，而且AI中的专家系统、自然语言处理和图象识别已成为新兴的知识产业的三大突破口。人工智能的思想萌芽可以追溯到十七世纪的巴斯卡和莱布尼茨，他们较早萌生了有智能的机器的想法。十九世纪，英国数学家布尔和德o摩尔根提出了“思维定律“，这些可谓是人工智能的开端。十九世纪二十年代，英国科学家巴贝奇设计了第一架“计算机器“，它被认为是计算机硬件，也是人工智能硬件的前身。电子计算机的问世，使人工智能的研究真正成为可能。作为一门学科，人工智能于1956年问世，是由“人工智能之父“McCarthy及一批数学家、信息学家、心理学家、神经生理学家、计算机科学家在Dartmouth大学召开的会议上，首次提出。对人工智能的研究，由于研究角度的不同，形成了不同的研究学派。这就是：符号主义学派、连接主义学派和行为主义学派。传统人工智能是符号主义，它以Newell和Simon提出的物理符号系统假设为基础。物理符号系统是由一组符号实体组成，它们都是物理模式，可在符号结构的实体中作为组成成分出现，可通过各种操作生成其它符号结构。物理符号系统假设认为：物理符号系统是智能行为的充分和必要条件。主要工作是“通用问题求解程序“（GeneralProblemSolver,GPS）：通过抽象，将一个现实系统变成一个符号系统，基于此符号系统，使用动态搜索方法求解问题。连接主义学派是从人的大脑神经系统结构出发，研究非程序的、适应性的、大脑风格的信息处理的本质和能力，研究大量简单的神经元的集团信息处理能力及其动态行为。人们也称之为神经计算。研究重点是侧重于模拟和实现人的认识过程中的感觉、知觉过程、形象思维、分布式记忆和自学习、自组织过程。行为主义学派是从行为心理学出发，认为智能只是在与环境的交互作用中表现出来。人工智能的研究经历了以下几个阶段：第一阶段：50年代人工智能的兴起和冷落人工智能概念首次提出后，相继出现了一批显著的成果，如机器定理证明、跳棋程序、通用问题s求解程序、LISP表处理语言等。但由于消解法推理能力的有限，以及机器翻译等的失败，使人工智能走入了低谷。这一阶段的特点是：重视问题求解的方法，忽视知识重要性。第二阶段：60年代末到70年代，专家系统出现，使人工智能研究出现新高潮DENDRAL化学质谱分析系统、MYCIN疾病诊断和治疗系统、PROSPECTIOR探矿系统、Hearsay-II语音理解系统等专家系统的研究和开发，将人工智能引向了实用化。并且，1969年成立了国际人工智能联合会议（InternationalJointConferencesonArtificialIntelligence即IJCAI）。第三阶段：80年代，随着第五代计算机的研制，人工智能得到了很大发展日本1982年开始了“第五代计算机研制计划“，即“知识信息处理计算机系统KIPS“，其目的是使逻辑推理达到数值运算那么快。虽然此计划最终失败，但它的开展形成了一股研究人工智能的热潮。第四阶段：80年代末，神经网络飞速发展1987年，美国召开第一次神经网络国际会议，宣告了这一新学科的诞生。此后，各国在神经网络方面的投资逐渐增加，神经网络迅速发展起来。第五阶段：90年代，人工智能出现新的研究高潮由于网络技术特别是国际互连网的技术发展，人工智能开始由单个智能主体研究转向基于网络环境下的分布式人工智能研究。不仅研究基于同一目标的分布式问题求解，而且研究多个智能主体的多目标问题求解，将人工智能更面向实用。另外，由于Hopfield多层神经网络模型的提出，使人工神经网络研究与应用出现了欣欣向荣的景象。人工智能已深入到社会生活的各个领域。IBM公司“深蓝“电脑击败了人类的世界国际象棋冠军，美国制定了以多Agent系统应用为重要研究内容的信息高速公路计划，基于Agent技术的Softbot(软机器人)在软件领域和网络搜索引擎中得到了充分应用，同时，美国Sandia实验室建立了国际上最庞大的“虚拟现实“实验室，拟通过数据头盔和数据手套实现更友好的人机交互，建立更好的智能用户接口。图像处理和图像识别，声音处理和声音识别取得了较好的发展，IBM公司推出了ViaVoice声音识别软件，以使声音作为重要的信息输入媒体。国际各大计算机公司又开始将“人工智能“作为其研究内容。人们普遍认为，计算机将会向网络化、智能化、并行化方向发展。二十一世纪的信息技术领域将会以智能信息处理为中心。目前人工智能主要研究内容是：分布式人工智能与多智能主体系统、人工思维模型、知识系统（包括专家系统、知识库系统和智能决策系统）、知识发现与数据挖掘（从大量的、不完全的、模糊的、有噪声的数据中挖掘出对我们有用的知识）、遗传与演化计算（通过对生物遗传与进化理论的模拟，揭示出人的智能进化规律）、人工生命（通过构造简单的人工生命系统（如：机器虫）并观察其行为，探讨初级智能的奥秘）、人工智能应用（如：模糊控制、智能大厦、智能人机接口、智能机器人等）等等。人工智能研究与应用虽取得了不少成果，但离全面推广应用还有很大的距离，还有许多问题有待解决，且需要多学科的研究专家共同合作。未来人工智能的研究方向主要有：人工智能理论、机器学习模型和理论、不精确知识表示及其推理、常识知识及其推理、人工思维模型、智能人机接口、多智能主体系统、知识发现与知识获取、人工智能应用基础等。
5、AI深度学习是指什么？深度学习(DL,DeepLearning)是机器学习(ML,MachineLearning)领域bai中一个新的研究方du向，它被引入机zhi器学习使其更接近于最初的目标—dao—人工智能(AI,ArtificialIntelligence)。深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。深度学习是一个复杂的机器学习算法，在语音和图像识别方面取得的效果，远远超过先前相关技术。深度学习在搜索技术，数据挖掘，机器学习，机器翻译，自然语言处理，多媒体学习，语音，推荐和个性化技术，以及其他相关领域都取得了很多成果。深度学习使机器模仿视听和思考等人类的活动，解决了很多复杂的模式识别难题，使得人工智能相关技术取得了很大进步。
6、人工神经网络，人工神经网络是什么意思一、人工神经网络的概念人工神经网络（ArtificialNeuralNetwork，ANN）简称神经网络(NN)，是基于生物学中神经网络的基本原理，在理解和抽象了人脑结构和外界刺激响应机制后，以网络拓扑知识为理论基础，模拟人脑的神经系统对复杂信息的处理机制的一种数学模型。该模型以并行分布的处理能力、高容错性、智能化和自学习等能力为特征，将信息的加工和存储结合在一起，以其独特的知识表示方式和智能化的自适应学习能力，引起各学科领域的关注。它实际上是一个有大量简单元件相互连接而成的复杂网络，具有高度的非线性，能够进行复杂的逻辑操作和非线性关系实现的系统。神经网络是一种运算模型，由大量的节点（或称神经元）之间相互联接构成。每个节点代表一种特定的输出函数，称为激活函数（activationfunction）。每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重（weight），神经网络就是通过这种方式来模拟人类的记忆。网络的输出则取决于网络的结构、网络的连接方式、权重和激活函数。而网络自身通常都是对自然界某种算法或者函数的逼近，也可能是对一种逻辑策略的表达。神经网络的构筑理念是受到生物的神经网络运作启发而产生的。人工神经网络则是把对生物神经网络的认识与数学统计模型相结合，借助数学统计工具来实现。另一方面在人工智能学的人工感知领域，我们通过数学统计学的方法，使神经网络能够具备类似于人的决定能力和简单的判断能力，这种方法是对传统逻辑学演算的进一步延伸。人工神经网络中，神经元处理单元可表示不同的对象，例如特征、字母、概念，或者一些有意义的抽象模式。网络中处理单元的类型分为三类：输入单元、输出单元和隐单元。输入单元接受外部世界的信号与数据；输出单元实现系统处理结果的输出；隐单元是处在输入和输出单元之间，不能由系统外部观察的单元。神经元间的连接权值反映了单元间的连接强度，信息的表示和处理体现在网络处理单元的连接关系中。人工神经网络是一种非程序化、适应性、大脑风格的信息处理，其本质是通过网络的变换和动力学行为得到一种并行分布式的信息处理功能，并在不同程度和层次上模仿人脑神经系统的信息处理功能。神经网络，是一种应用类似于大脑神经突触连接结构进行信息处理的数学模型，它是在人类对自身大脑组织结合和思维机制的认识理解基础之上模拟出来的，它是根植于神经科学、数学、思维科学、人工智能、统计学、物理学、计算机科学以及工程科学的一门技术。二、人工神经网络的发展神经网络的发展有悠久的历史。其发展过程大致可以概括为如下4个阶段。1.第一阶段----启蒙时期(1)、M-P神经网络模型：20世纪40年代，人们就开始了对神经网络的研究。1943年，美国心理学家麦克洛奇（Mcculloch）和数学家皮兹（Pitts）提出了M-P模型，此模型比较简单，但是意义重大。在模型中，通过把神经元看作个功能逻辑器件来实现算法，从此开创了神经网络模型的理论研究。(2)、Hebb规则：1949年，心理学家赫布（Hebb）出版了《TheOrganizationofBehavior》（行为组织学），他在书中提出了突触连接强度可变的假设。这个假设认为学习过程最终发生在神经元之间的突触部位，突触的连接强度随之突触前后神经元的活动而变化。这一假设发展成为后来神经网络中非常著名的Hebb规则。这一法则告诉人们，神经元之间突触的联系强度是可变的，这种可变性是学习和记忆的基础。Hebb法则为构造有学习功能的神经网络模型奠定了基础。(3)、感知器模型：1957年，罗森勃拉特（Rosenblatt）以M-P模型为基础，提出了感知器（Perceptron）模型。感知器模型具有现代神经网络的基本原则，并且它的结构非常符合神经生理学。这是一个具有连续可调权值矢量的MP神经网络模型，经过训练可以达到对一定的输入矢量模式进行分类和识别的目的，它虽然比较简单，却是第一个真正意义上的神经网络。Rosenblatt证明了两层感知器能够对输入进行分类，他还提出了带隐层处理元件的三层感知器这一重要的研究方向。Rosenblatt的神经网络模型包含了一些现代神经计算机的基本原理，从而形成神经网络方法和技术的重大突破。(4)、ADALINE网络模型：1959年，美国著名工程师威德罗（B.Widrow）和霍夫（M.Hoff）等人提出了自适应线性元件(Adaptivelinearelement，简称Adaline)和Widrow-Hoff学习规则（又称最小均方差算法或称δ规则）的神经网络训练方法，并将其应用于实际工程，成为第一个用于解决实际问题的人工神经网络，促进了神经网络的研究应用和发展。ADALINE网络模型是一种连续取值的自适应线性神经元网络模型，可以用于自适应系统。2.第二阶段----低潮时期人工智能的创始人之一Minsky和Papert对以感知器为代表的网络系统的功能及局限性从数学上做了深入研究，于1969年发表了轰动一时《Perceptrons》一书，指出简单的线性感知器的功能是有限的，它无法解决线性不可分的两类样本的分类问题，如简单的线性感知器不可能实现“异或”的逻辑关系等。这一论断给当时人工神经元网络的研究带来沉重的打击。开始了神经网络发展史上长达10年的低潮期。(1)、自组织神经网络SOM模型：1972年，芬兰的KohonenT.教授，提出了自组织神经网络SOM(Self-Organizingfeaturemap)。后来的神经网络主要是根据KohonenT.的工作来实现的。SOM网络是一类无导师学习网络，主要用于模式识别﹑语音识别及分类问题。它采用一种“胜者为王”的竞争学习算法，与先前提出的感知器有很大的不同，同时它的学习训练方式是无指导训练，是一种自组织网络。这种学习训练方式往往是在不知道有哪些分类类型存在时，用作提取分类信息的一种训练。(2)、自适应共振理论ART：1976年，美国Grossberg教授提出了著名的自适应共振理论ART(AdaptiveResonanceTheory)，其学习过程具有自组织和自稳定的特征。3.第三阶段----复兴时期(1)、Hopfield模型：1982年，美国物理学家霍普菲尔德（Hopfield）提出了一种离散神经网络，即离散Hopfield网络，从而有力地推动了神经网络的研究。在网络中，它首次将李雅普诺夫（Lyapunov）函数引入其中，后来的研究学者也将Lyapunov函数称为能量函数。证明了网络的稳定性。1984年，Hopfield又提出了一种连续神经网络，将网络中神经元的激活函数由离散型改为连续型。1985年，Hopfield和Tank利用Hopfield神经网络解决了著名的旅行推销商问题（TravellingSalesmanProblem）。Hopfield神经网络是一组非线性微分方程。Hopfield的模型不仅对人工神经网络信息存储和提取功能进行了非线性数学概括，提出了动力方程和学习方程，还对网络算法提供了重要公式和参数，使人工神经网络的构造和学习有了理论指导，在Hopfield模型的影响下，大量学者又激发起研究神经网络的热情，积极投身于这一学术领域中。因为Hopfield神经网络在众多方面具有巨大潜力，所以人们对神经网络的研究十分地重视，更多的人开始了研究神经网络，极大地推动了神经网络的发展。(2)、Boltzmann机模型：1983年，Kirkpatrick等人认识到模拟退火算法可用于NP完全组合优化问题的求解，这种模拟高温物体退火过程来找寻全局最优解的方法最早由Metropli等人1953年提出的。1984年，Hinton与年轻学者Sejnowski等合作提出了大规模并行网络学习机，并明确提出隐单元的概念，这种学习机后来被称为Boltzmann机。Hinton和Sejnowsky利用统计物理学的感念和方法，首次提出的多层网络的学习算法，称为Boltzmann机模型。(3)、BP神经网络模型：1986年，儒默哈特（D.E.Rumelhart）等人在多层神经网络模型的基础上，提出了多层神经网络权值修正的反向传播学习算法----BP算法（ErrorBack-Propagation），解决了多层前向神经网络的学习问题，证明了多层神经网络具有很强的学习能力，它可以完成许多学习任务，解决许多实际问题。(4)、并行分布处理理论：1986年，由Rumelhart和McCkekkand主编的《ParallelDistributedProcessing：ExplorationintheMicrostructuresofCognition》，该书中，他们建立了并行分布处理理论，主要致力于认知的微观研究，同时对具有非线性连续转移函数的多层前馈网络的误差反向传播算法即BP算法进行了详尽的分析，解决了长期以来没有权值调整有效算法的难题。可以求解感知机所不能解决的问题，回答了《Perceptrons》一书中关于神经网络局限性的问题，从实践上证实了人工神经网络有很强的运算能力。(5)、细胞神经网络模型：1988年，Chua和Yang提出了细胞神经网络（CNN）模型，它是一个细胞自动机特性的大规模非线性计算机仿真系统。Kosko建立了双向联想存储模型（BAM），它具有非监督学习能力。(6)、Darwinism模型：Edelman提出的Darwinism模型在90年代初产生了很大的影响，他建立了一种神经网络系统理论。(7)、1988年，Linsker对感知机网络提出了新的自组织理论，并在Shanon信息论的基础上形成了最大互信息理论，从而点燃了基于NN的信息应用理论的光芒。(8)、1988年，Broomhead和Lowe用径向基函数(Radialbasisfunction,RBF)提出分层网络的设计方法，从而将NN的设计与数值分析和线性适应滤波相挂钩。(9)、1991年，Haken把协同引入神经网络，在他的理论框架中，他认为，认知过程是自发的，并断言模式识别过程即是模式形成过程。(10)、1994年，廖晓昕关于细胞神经网络的数学理论与基础的提出，带来了这个领域新的进展。通过拓广神经网络的激活函数类，给出了更一般的时滞细胞神经网络(DCNN)、Hopfield神经网络（HNN）、双向联想记忆网络（BAM）模型。(11)、90年代初，Vapnik等提出了支持向量机(Supportvectormachines,SVM)和VC(Vapnik-Chervonenkis)维数的概念。经过多年的发展，已有上百种的神经网络模型被提出。