神经网络数据结构和算法 神经网络算法基本原理
一、人工神经网络人工神经网络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的响应机制后，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。
神经网络模拟人脑的工作原理，在输入和输出之间增加了许多结点，每一个节点对前一个结点传来的数据，按照自己拥有的权重系数进行加工。
神经网络是一种运算模型，它是由大量节点之间相互连接构成，每个节点代表一种特定的输出函数（即激活函数），每两个节点间的连接都代表一个通过该连接信号的加权值（即权重参数），神经网络就是通过这种方式来模拟人类记忆的。
二、神经网络的构成输入层：外界信息输入，不进行任何计算，仅向下一层节点传递信息。
隐藏层：接收上一层节点的输入，进行计算，并将信息传到下一层节点，隐藏层的层数即节点的个数是自己设置的没有特殊要求，其中计算出的各种数值都是隐藏起来的。
输出层：接收上一层节点的输入，进行计算，并将结果输出。
输入层和输出层必须有，隐藏层可以没有，即为单层感知器，隐藏层也可以不止一层，有隐藏层的前馈网络即多层感知器。
神经网络一般是靠经验来设置，刚开始可以设置一个初始的网络结构，然后根据训练的参数和结果来增加或减少网络结构，最终得到一个适合当前项目的网络结构。
三、前馈神经网络和反馈神经网络前馈神经网络（FeedForwardNN):是一种最简单的神经网络，采用单向多层结构，各神经元分层排列，每个神经元只与前一层的神经元相连。接收前一层的输出，并输出给下一层，各层间没有反馈。
反馈神经网络（FeedBackNN):又称递归网络、回归网络，是一种将输出经过一步时移再接入到输入层的神经网络系统。这类网络中，神经元可以互连，有些神经元的输出会被反馈至同层甚至前层的神经元。常见的有Hopfield神经网络、Elman神经网络、Boltzmann机等。
前馈神经网络和反馈神经网络的主要区别：1、前馈神经网络各层神经元之间无连接，神经元只接受上层传来的数据，处理后传入下一层，数据正向流动；反馈神经网络层间神经元有连接，数据可以在同层间流动或反馈至前层。2、前馈神经网络不考虑输出与输入在时间上的滞后效应，只表达输出与输入的映射关系；反馈神经网络考虑输出与输入之间在时间上的延迟，需要用动态方程来描述系统的模型。3、前馈神经网络的学习主要采用误差修正法（如BP算法），计算过程一般比较慢，收敛速度也比较慢；反馈神经网络主要采用Hebb学习规则，一般情况下计算的收敛速度很快。4、相比前馈神经网络，反馈神经网络更适合应用在联想记忆和优化计算等领域。
四、神经网络的类别单层神经网络(感知机)：类似于逻辑回归、线性分类，没有激活函数，用于线性客服模式分类的最简单的神经网络模型。由一个具有可调树突权值和偏置的神经元组成。1958年FrankRosenblatt提出一种具有单层计算单元的神经网络，即为Perception。其本质是一个非线性前馈网络，同层内无互联，不同层间无反馈，由下层向上层传递。其输入、输出均为离散值，神经元对输入加权求和后，由阈值函数决定其输出。
双层神经网路(多层感知机)：带一个隐层，分线性分类。 多层神经网络(深度学习)：使用深度学习算法来解神经网络，使用统计学方法从原始感官数据中提取高层特征，在大量的数据中获得输入空间的有效表征。简单理解，深度神经网络就是有多个隐藏层的多层感知器网络，根据实际应用情况不同，其形态和大小也都不一样。
卷积神经网络(CNN)：其实质是一种多层前馈网络，擅长处理图像特别是大图像的处理和识别。
循环神经网络(RNN)：前馈神经网络只能单独处理一个的输入，不同的输入之间被认为是相互独立没有联系的，但实际上很多时候输入之间是有序列关系的，需要使用递归神经网络（RecurrentNeuralNetwork,RNN),也称循环神经网络，其引入了“记忆"的概念，即描述了当前输出于之前的输入信息的关系，递归的含义是指每个神经元都执行相同的任务，但是输出依赖于输入和"记忆”，常用语NLP、机器翻译、语音识别、图像描述生成、文本相似度等。
其中单层神经网络、双层神经网络和多层神经网络都属于全连接神经网络，它是指每两个网络层的每两个结点都互相连接。而卷积神经网络(CNN)是属于非全连接神经网络，多用于计算机视觉和自然语言处理。循环神经网络(RNN)多用于处理时序性数据，如股票、天气等，它的同一网络层的各节点之间是相互连接的。
基于BP神经网络的客运量预测模型
基于BP神经网络的客运量预测模型
随着现代化交通系统的发展和城市化程度的加深，客运量对城市交通规划、线路设计、车辆配置等方面产生着越来越重要的影响。因此，在交通规划、运输管理等方面应用客运量预测模型具有重要的现实意义。本文将介绍一种基于BP神经网络的客运量预测模型，并提供相应的Python源代码。
BP神经网络模型BP神经网络是一种常用的人工神经网络模型，其结构包含输入层、隐藏层和输出层三个部分。其中，输入层接收输入样本，隐藏层进行特征提取和转换，输出层输出结果。BP神经网络优点在于能够通过训练学习到样本的非线性映射关系，并且适用于各种复杂的非线性问题求解。
客运量预测模型本文中，使用BP神经网络进行客运量预测。首先，需要收集相关的客运量数据并进行预处理。例如，可以采用归一化处理，将数据缩放到0至1的范围内。然后，将数据分为训练集和测试集，其中训练集用于训练BP神经网络模型，测试集用于评估模型的预测精度。在训练过程中，需要指定网络结构、学习率、最大迭代次数等超参数，并利用误差反向传播算法进行优化。
以下是基于Python语言实现的客运量预测模型源代码：
importnumpyasnp#定义sigmoid激活函数defsigmoid(基于MATLAB GUI BP神经网络人脸识别
基于MATLABGUIBP神经网络人脸识别
实现一个基于MATLABGUI和BP神经网络的人脸识别系统，其目的是用于在图像或视频流中自动识别人脸并进行分类和标识。本文将介绍该系统的实现过程，并提供相关源代码作为参考。
一、引言
近年来，人工智能技术得到了广泛应用，其中人脸识别技术是十分重要的一项。人脸识别技术可以应用于安全监控、生物识别等领域。BP神经网络，是一种典型的前向反馈型神经网络，可以很好地应用在分类和识别问题上。因此，利用MATLABGUI和BP神经网络实现人脸识别系统是非常可行的。
二、系统实现
（一）图像预处理
在进行人脸识别之前，需要对图片进行预处理，提取有用信息。具体步骤如下：
将RGB三通道转化为灰度图这一步旨在提高后续图像处理效率，去除冗余信息。一般而言，RGB三通道的值相加即为灰度值，用如下公式计算：
grayValue=0.3*R+0.59*G+0.11*B;
进行图像增强通过对灰度图进行均衡化、锐化等操作，可以提高图像的对比度和清晰度，便于后续处理。
提取人脸区域使用Haar特征分类器实现人脸区域的检测。此处可以使用OpenCV或MATLAB自带的Viola-Jones人脸检测器等。
（二）BP神经网络训练
BP神经网络是一种有监督学习算法，需要提供标注好的数据集进行训练。在这里，我们采用ORL人脸数据库作为训练集。该数据集包含40个人的400张图像，每人10张。
数据预处理浅谈一下神经网络
神经网络（NeuralNetwork）是一种模拟人类神经系统工作原理的计算模型。它由许多神经元之间的连接组成，通过学习和训练来完成各种任务。神经网络已经成为机器学习和人工智能领域的重要工具，广泛应用于图像识别、自然语言处理、测分析等领域神经网络的基本单位是神经元（Neuron），它接收来自其他神经元的输入，并生成输出信号。神经元通常由多个输入和一个输出成。每个输入都与一个权重相关联，权重控制输入对神经元的影响程度。神经元通过计算所有输入与对权重的加权和，并通过一个激活函数对进行处理，从而得到输出值。
在一个神经网络中，神经元通常被组织成个层次。其中输入层负责接收部输入数据，输出层产生最终结果，而间的隐藏层则信息的处理和传递每个神经元通过连接与上一层的神经元建立联系，并处理结果传递给下层的神经元。
训练神经网络是使其能够正确地学和推断任务的关过程。训练数据括输入和相应目标输出。通过不调整权重和偏，神经网络试图找到最佳的权组合，以最大度地减少网络输出目标输出之间的差。这个过程称为反向传播算法，它计算损失函数的梯度来更新神经网络参数。
在训练过程中，神经网络逐渐学习到输入与输出之间的关系能够在未见过的数据上进行有意义的断。这种能力称为泛化能力，是神经网络的一个要指标。
除了基本的前馈神经网络，还存在其他的神经网络，如循环神经网络（ReNeuralNetwork）和卷积神经网络（ConvolutionalNeuralNetwork）。循环神经网络具有记忆性，能够处理序列数据，例如语音识别或文本生成。卷积经网络在图像处理领域表现出色，能够有效地取图像中的特征。
神经网络是一模拟人类神经的计算模型，通过学习和训练来完成种任务。它由多个神经元组成，通过连接和权重调实现信息的处理和传递。练神经网络的过程中，通过反向传播算法不断调整权重和偏差，使网络能够学习输入与输出之间的关系，并在见过的数据上进行有意义的断。神经网络在机器学习和人工能领域有着广泛的应用和展前景。
BP 神经网络算法
sigmoid函数:
x的值可能为[−∞,+∞],为了方便处理，需要将其压缩到一个合理的范围，还需这样的激励函数，能够将刚才的区间压缩到[0,1]。
sigmoid是使用范围最广的一类激活函数，具有指数函数形状，它在物理意义上最为接近生物神经元。此外，(0,1)的输出还可以被表示作概率，或用于输入的归一化，代表性的如Sigmoid交叉熵损失函数。然而，sigmoid也有其自身的缺陷，最明显的就是饱和性。
BP算法就是所谓的反向传播算法，它将误差进行反向传播，从而获取更高的学习效率。这很像烽火台，如果前线战败了，那么消息就通过烽火台传递回指挥部，指挥部去反思问题，最终改变策略。但这带来一个问题，中间层的误差怎么计算？我们能简单地将权重和残差的乘积，返回给上一层节点（这种想法真暴力，从左到右和从右到左是一样的）。
这相当于三次传播：
第一步：从前向后传播FP第二步：得到值z，误差为y,将误差反向传播，获得每个节点的偏差$sigma$第三步：再次正向传播，通过上一步的$sigma$，再乘以步长，修改每一个神经元突触的权重。下面一张图展示了完整的BP算法的过程，我看了不下20遍：
更有趣的是，sigmoid求导之后，特别像高斯（正态）分布，而且sigmoid求导非常容易。
CSDN 神经网络的应用 神经网络算法应用
神经网络算法可以解决的问题有哪些人工神经网络（ArtificialNeuralNetworks，ANN）系统是20世纪40年代后出现的。它是由众多的神经元可调的连接权值连接而成，具有大规模并行处理、分布式信息存储、良好的自组织自学习能力等特点。BP（BackPropagation）算法又称为误差反向传播算法，是人工神经网络中的一种监督式的学习算法。BP神经网络算法在理论上可以逼近任意函数，基本的结构由非线性变化单元组成，具有很强的非线性映射能力。而且网络的中间层数、各层的处理单元数及网络的学习系数等参数可根据具体情况设定，灵活性很大，在优化、信号处理与模式识别、智能控制、故障诊断等许多领域都有着广泛的应用前景。工作原理人工神经元的研究起源于脑神经元学说。19世纪末，在生物、生理学领域，Waldeger等人创建了神经元学说。人们认识到复杂的神经系统是由数目繁多的神经元组合而成。大脑皮层包括有100亿个以上的神经元，每立方毫米约有数万个，它们互相联结形成神经网络，通过感觉器官和神经接受来自身体内外的各种信息，传递至中枢神经系统内，经过对信息的分析和综合，再通过运动神经发出控制信息，以此来实现机体与内外环境的联系，协调全身的各种机能活动。神经元也和其他类型的细胞一样，包括有细胞膜、细胞质和细胞核。但是神经细胞的形态比较特殊，具有许多突起，因此又分为细胞体、轴突和树突三部分。细胞体内有细胞核，突起的作用是传递信息。树突是作为引入输入信号的突起，而轴突是作为输出端的突起，它只有一个。树突是细胞体的延伸部分，它由细胞体发出后逐渐变细，全长各部位都可与其他神经元的轴突末梢相互联系，形成所谓“突触”。在突触处两神经元并未连通，它只是发生信息传递功能的结合部，联系界面之间间隙约为（15～50)×10米。突触可分为兴奋性与抑制性两种类型，它相应于神经元之间耦合的极性。每个神经元的突触数目正常，最高可达10个。各神经元之间的连接强度和极性有所不同，并且都可调整、基于这一特性，人脑具有存储信息的功能。利用大量神经元相互联接组成人工神经网络可显示出人的大脑的某些特征。人工神经网络是由大量的简单基本元件——神经元相互联接而成的自适应非线性动态系统。每个神经元的结构和功能比较简单，但大量神经元组合产生的系统行为却非常复杂。人工神经网络反映了人脑功能的若干基本特性，但并非生物系统的逼真描述，只是某种模仿、简化和抽象。与数字计算机比较，人工神经网络在构成原理和功能特点等方面更加接近人脑，它不是按给定的程序一步一步地执行运算，而是能够自身适应环境、总结规律、完成某种运算、识别或过程控制。人工神经网络首先要以一定的学习准则进行学习，然后才能工作。现以人工神经网络对于写“A”、“B”两个字母的识别为例进行说明，规定当“A”输入网络时，应该输出“1”，而当输入为“B”时，输出为“0”。所以网络学习的准则应该是：如果网络作出错误的的判决，则通过网络的学习，应使得网络减少下次犯同样错误的可能性。首先，给网络的各连接权值赋予(0，1)区间内的随机值，将“A”所对应的图象模式输入给网络，网络将输入模式加权求和、与门限比较、再进行非线性运算，得到网络的输出。在此情况下，网络输出为“1”和“0”的概率各为50%，也就是说是完全随机的。这时如果输出为“1”(结果正确)，则使连接权值增大，以便使网络再次遇到“A”模式输入时，仍然能作出正确的判断。神经网络算法可以解决的问题有哪些。
神经网络算法是用来干什么的神经网络算法是由多个神经元组成的算法网络。
逻辑性的思维是指根据逻辑规则进行推理的过程；它先将信息化成概念，并用符号表示，然后，根据符号运算按串行模式进行逻辑推理；这一过程可以写成串行的指令，让计算机执行。然而，直观性的思维是将分布式存储的信息综合起来，结果是忽然间产生的想法或解决问题的办法。这种思维方式的根本之点在于以下两点：
1、信息是通过神经元上的兴奋模式分布储在网络上。
2、信息处理是通过神经元之间同时相互作用的动态过程来完成的。
思维学普遍认为，人类大脑的思维分为抽象（逻辑）思维、形象（直观）思维和灵感（顿悟）思维三种基本方式。
rbsci
神经网络主要用于什么问题的求解？神经网络的研究可以分为理论研究和应用研究两大方面。
理论研究可分为以下两类：
1、利用神经生理与认知科学研究人类思维以及智能机理。
2、利用神经基础理论的研究成果，用数理方法探索功能更加完善、性能更加优越的神经网络模型，深入研究网络算法和性能，如：稳定性、收敛性、容错性、鲁棒性等；开发新的网络数理理论，如：神经网络动力学、非线性神经场等。
应用研究可分为以下两类：
1、神经网络的软件模拟和硬件实现的研究。
2、神经网络在各个领域中应用的研究。这些领域主要包括：
模式识别、信号处理、知识工程、专家系统、优化组合、机器人控制等。随着神经网络理论本身以及相关理论、相关技术的不断发展，神经网络的应用定将更加深入。
http://baike.baidu.com/view/5348.htm?fr=ala0_1。
神经网络算法可以解决线性规划问题吗理论上可以的但是个人感觉不是什么非常有效和经济的办法，如果是用的是需要训练的神经网络（BP之类的）那么你的样本需求量是非常大的，如果你用的是非监督（不需要训练）的神经网络（Hopfield之类的），这样一方面你需要设计具有强大的不动点特性的权重以及要保证问题能优化成纯凸纯凹问题（否者还是很难避过传统需要粒子法啊遗传算法什么的优化的个人觉得遗传算法基本是废学术更爱吹嘘，考虑实际问题那里事先有那么多的先验以及由这么强大的计算能力），总的来说神经网络不是太适合这块领域，线性规划的方法已经很多了，一般性的都能通过数值解法解出来。
神经网络到底能干什么？神经网络利用现有的数据找出输入与输出之间得权值关系（近似），然后利用这样的权值关系进行仿真，例如输入一组数据仿真出输出结果，当然你的输入要和训练时采用的数据集在一个范畴之内。例如预报天气：温度湿度气压等作为输入天气情况作为输出利用历史得输入输出关系训练出神经网络，然后利用这样的神经网络输入今天的温度湿度气压等得出即将得天气情况当然这样的例子不够精确，但是神经网络得典型应用了。希望采纳！
人工神经网络可以解决哪些问题信息领域中的应用：信息处理、模式识别、数据压缩等。
自动化领域：系统辨识、神经控制器、智能检测等。
工程领域：汽车工程、军事工程、化学工程、水利工程等。
在医学中的应用：生物信号的检测与分析、生物活性研究、医学专家系统等。
经济领域的应用：市场价格预测、风险评估等。
此外还有很多应用，比如交通领域的应用，心理学领域的应用等等。神经网络的应用领域是非常广的。
神经网络算法可以求最优解嘛?神经网络可以做优化问题，但不一定能找到最优解。
逻辑性的思维是指根据逻辑规则进行推理的过程；它先将信息化成概念，并用符号表示，然后，根据符号运算按串行模式进行逻辑推理；这一过程可以写成串行的指令，让计算机执行。
直观性的思维是将分布式存储的信息综合起来，忽然间产生的想法或解决问题的办法。这种思维方式的根本之点在于以下两点：
1、信息是通过神经元上的兴奋模式分布存储在网络上。
2、信息处理是通过神经元之间同时相互作用的动态过程来完成的。
神经网络：
思维学普遍认为，人类大脑的思维分为抽象（逻辑）思维、形象（直观）思维和灵感（顿悟）思维三种基本方式。
人工神经网络就是模拟人思维的第二种方式。这是一个非线性动力学系统，其特色在于信息的分布式存储和并行协同处理。虽然单个神经元的结构极其简单，功能有限，但大量神经元构成的网络系统所能实现的行为却是极其丰富多彩的。
神经网络算法是什么?Introduction。
--------------------------------------------------------------------------------。
神经网络是新技术领域中的一个时尚词汇。很多人听过这个词，但很少人真正明白它是什么。本文的目的是介绍所有关于神经网络的基本包括它的功能、一般结构、相关术语、类型及其应用。
“神经网络”这个词实际是来自于生物学，而我们所指的神经网络正确的名称应该是“人工神经网络（ANNs）”。在本文，我会同时使用这两个互换的术语。
一个真正的神经网络是由数个至数十亿个被称为神经元的细胞（组成我们大脑的微小细胞）所组成，它们以不同方式连接而型成网络。人工神经网络就是尝试模拟这种生物学上的体系结构及其操作。在这里有一个难题：我们对生物学上的神经网络知道的不多！因此，不同类型之间的神经网络体系结构有很大的不同，我们所知道的只是神经元基本的结构。
Theneuron。
--------------------------------------------------------------------------------。
虽然已经确认在我们的大脑中有大约50至500种不同的神经元，但它们大部份都是基于基本神经元的特别细胞。基本神经元包含有synapses、soma、axon及dendrites。Synapses负责神经元之间的连接，它们不是直接物理上连接的，而是它们之间有一个很小的空隙允许电子讯号从一个神经元跳到另一个神经元。然后这些电子讯号会交给soma处理及以其内部电子讯号将处理结果传递给axon。而axon会将这些讯号分发给dendrites。最后，dendrites带着这些讯号再交给其它的synapses，再继续下一个循环。
如同生物学上的基本神经元，人工的神经网络也有基本的神经元。每个神经元有特定数量的输入，也会为每个神经元设定权重（weight）。权重是对所输入的资料的重要性的一个指标。然后，神经元会计算出权重合计值（netvalue），而权重合计值就是将所有输入乘以它们的权重的合计。每个神经元都有它们各自的临界值（threshold），而当权重合计值大于临界值时，神经元会输出1。相反，则输出0。最后，输出会被传送给与该神经元连接的其它神经元继续剩余的计算。
Learning。
--------------------------------------------------------------------------------。
正如上述所写，问题的核心是权重及临界值是该如何设定的呢？世界上有很多不同的训练方式，就如网络类型一样多。但有些比较出名的包括back-propagation,deltarule及Kohonen训练模式。
由于结构体系的不同，训练的规则也不相同，但大部份的规则可以被分为二大类别-监管的及非监管的。监管方式的训练规则需要“教师”告诉他们特定的输入应该作出怎样的输出。然后训练规则会调整所有需要的权重值（这是网络中是非常复杂的），而整个过程会重头开始直至数据可以被网络正确的分析出来。监管方式的训练模式包括有back-propagation及deltarule。非监管方式的规则无需教师，因为他们所产生的输出会被进一步评估。
Architecture。
--------------------------------------------------------------------------------。
在神经网络中，遵守明确的规则一词是最“模糊不清”的。因为有太多不同种类的网络，由简单的布尔网络（Perceptrons），至复杂的自我调整网络（Kohonen），至热动态性网络模型（Boltzmannmachines）！而这些，都遵守一个网络体系结构的标准。
一个网络包括有多个神经元“层”，输入层、隐蔽层及输出层。输入层负责接收输入及分发到隐蔽层（因为用户看不见这些层，所以见做隐蔽层）。这些隐蔽层负责所需的计算及输出结果给输出层，而用户则可以看到最终结果。现在，为免混淆，不会在这里更深入的探讨体系结构这一话题。对于不同神经网络的更多详细资料可以看Generation5essays。
尽管我们讨论过神经元、训练及体系结构，但我们还不清楚神经网络实际做些什么。
TheFunctionofANNs。
--------------------------------------------------------------------------------。
神经网络被设计为与图案一起工作-它们可以被分为分类式或联想式。分类式网络可以接受一组数，然后将其分类。例如ONR程序接受一个数字的影象而输出这个数字。或者PPDA32程序接受一个坐标而将它分类成A类或B类（类别是由所提供的训练决定的）。更多实际用途可以看ApplicationsintheMilitary中的军事雷达，该雷达可以分别出车辆或树。
联想模式接受一组数而输出另一组。例如HIR程序接受一个‘脏’图像而输出一个它所学过而最接近的一个图像。联想模式更可应用于复杂的应用程序，如签名、面部、指纹识别等。
TheUpsandDownsofNeuralNetworks。
--------------------------------------------------------------------------------。
神经网络在这个领域中有很多优点，使得它越来越流行。它在类型分类/识别方面非常出色。神经网络可以处理例外及不正常的输入数据，这对于很多系统都很重要（例如雷达及声波定位系统）。很多神经网络都是模仿生物神经网络的，即是他们仿照大脑的运作方式工作。神经网络也得助于神经系统科学的发展，使它可以像人类一样准确地辨别物件而有电脑的速度！前途是光明的，但现在...。
是的，神经网络也有些不好的地方。这通常都是因为缺乏足够强大的硬件。神经网络的力量源自于以并行方式处理资讯，即是同时处理多项数据。因此，要一个串行的机器模拟并行处理是非常耗时的。
神经网络的另一个问题是对某一个问题构建网络所定义的条件不足-有太多因素需要考虑：训练的算法、体系结构、每层的神经元个数、有多少层、数据的表现等，还有其它更多因素。因此，随着时间越来越重要，大部份公司不可能负担重复的开发神经网络去有效地解决问题。
NN神经网络，NeuralNetwork。
ANNs人工神经网络，ArtificialNeuralNetworks。
neurons神经元。
synapses神经键。
self-organizingnetworks自我调整网络。
networksmodellingthermodynamicproperties热动态性网络模型。
++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++。
网格算法我没听说过。
好像只有网格计算这个词。
网格计算是伴随着互联网技术而迅速发展起来的，专门针对复杂科学计算的新型计算模式。这种计算模式是利用互联网把分散在不同地理位置的电脑组织成一个“虚拟的超级计算机”，其中每一台参与计算的计算机就是一个“节点”，而整个计算是由成千上万个“节点”组成的“一张网格”，所以这种计算方式叫网格计算。这样组织起来的“虚拟的超级计算机”有两个优势，一个是数据处理能力超强；另一个是能充分利用网上的闲置处理能力。简单地讲，网格是把整个网络整合成一台巨大的超级计算机，实现计算资源、存储资源、数据资源、信息资源、知识资源、专家资源的全面共享。
神经网络优缺点，优点：
（1）具有自学习功能。例如实现图像识别时，只在先把许多不同的图像样板和对应的应识别的结果输入人工神经网络，网络就会通过自学习功能，慢慢学会识别类似的图像。
自学习功能对于预测有特别重要的意义。预期未来的人工神经网络计算机将为人类提供经济预测、市场预测、效益预测，其应用前途是很远大的。
（2）具有联想存储功能。用人工神经网络的反馈网络就可以实现这种联想。
（3）具有高速寻找优化解的能力。寻找一个复杂问题的优化解，往往需要很大的计算量，利用一个针对某问题而设计的反馈型人工神经网络，发挥计算机的高速运算能力，可能很快找到优化解。
缺点：
（1）最严重的问题是没能力来解释自己的推理过程和推理依据。
（2）不能向用户提出必要的询问，而且当数据不充分的时候，神经网络就无法进行工作。
（3）把一切问题的特征都变为数字，把一切推理都变为数值计算，其结果势必是丢失信息。
（4）理论和学习算法还有待于进一步完善和提高。
扩展资料：
神经网络发展趋势。
人工神经网络特有的非线性适应性信息处理能力，克服了传统人工智能方法对于直觉，如模式、语音识别、非结构化信息处理方面的缺陷，使之在神经专家系统、模式识别、智能控制、组合优化、预测等领域得到成功应用。
人工神经网络与其它传统方法相结合，将推动人工智能和信息处理技术不断发展。近年来，人工神经网络正向模拟人类认知的道路上更加深入发展，与模糊系统、遗传算法、进化机制等结合，形成计算智能，成为人工智能的一个重要方向，将在实际应用中得到发展。
将信息几何应用于人工神经网络的研究，为人工神经网络的理论研究开辟了新的途径。神经计算机的研究发展很快，已有产品进入市场。光电结合的神经计算机为人工神经网络的发展提供了良好条件。
神经网络在很多领域已得到了很好的应用，但其需要研究的方面还很多。其中，具有分布存储、并行处理、自学习、自组织以及非线性映射等优点的神经网络与其他技术的结合以及由此而来的混合方法和混合系统，已经成为一大研究热点。
由于其他方法也有它们各自的优点，所以将神经网络与其他方法相结合，取长补短，继而可以获得更好的应用效果。目前这方面工作有神经网络与模糊逻辑、专家系统、遗传算法、小波分析、混沌、粗集理论、分形理论、证据理论和灰色系统等的融合。
参考资料：百度百科-人工神经网络。
如何利用人工神经网络或遗传算法解决实际问题来自nnetinfo。
目前可以做的一般有:。
分类.。
函数拟合。
压缩.。
图象识别。
等等,其实说到底,所有的都能归于第2点--函数拟合.。
一般如果输入与输出是有强烈关系的,网络都能找得到这个关系.例如病人的特征作为输入,判断这个是否为病人,一般都是可以的.业务背景知识强,才能把神经网络运用到实际中.。
另外,还需要把实现问题转换为数学问题的能力.。
例如数字识别就是一个经典的应用.但直接把图片放进去训练是得不到识别效果的,因为维度太多了,而且信息冗余量很大.。
于是有人把图片的特征先自已提取出来:例如对角线与图片上的数字有几个交点等等,再把这些特征作为输入,数字类别向量作为输出,放到网络中训练.最后你再写一个数字,提取这个数字的特征,再把这特征放进网络中的时候,它就能识别到你是哪个数字了.。
另外,又有人用卷积神经网络去做数字识别.。
还有人用深度网络去做,即先把原来图片的信息用RBM网络进行压缩,然后再训练,效果就好了.。
等等,其实很多问题都可以做,但前提是你要想到好的方式去运用神经网络.。