人工神经网络ANN

ANN（Artificial Neural Networks）是一种受人脑神经元启发的计算模型，旨在模拟人脑的学习和决策过程。

它由多个相互连接的“人工神经元”组成，通过接收输入、计算权重和偏置，生成输出。神经网络广泛应用于

模式识别、自动控制、函数优化等领域。

感知器与权重机制

感知器是最早的人工神经元模型，能够接收多个输入（如天气、价格等），通过加权求和并与阈值比较，生

成二进制输出。权重表示输入的重要性，而阈值决定输出的触发条件。例如，若天气权重为8，价格权重为4，

阈值为8，则总和超过阈值时输出为1，否则为0。

多层前馈神经网络

多层前馈神经网络由输入层、隐藏层和输出层组成。输入层接收原始数据，隐藏层通过权重矩阵和激活函数

进行非线性变换，输出层生成最终结果。正向传播算法用于从输入到输出的计算，适用于分类和回归任务。

正向传播过程

正向传播通过以下公式实现：

u(i) = W(i) * x(i-1) + b(i)

x(i) = f(u(i))

其中，W(i)为权重矩阵，b(i)为偏置向量，f为激活函数。每层的输出作为下一层的输入，直至输出层。

反向传播算法（BP算法）

反向传播算法是神经网络训练的核心，用于调整权重和偏置（偏置Bias是神经网络中用于调节神经元激活阈值的参数，决定着当输入信号的加权和达到何种程度时神经元会被激活。）以最小化预测误差。它基于链式法则（复合

函数的求导公式）计算梯度，并结合梯度下降法优化网络参数。BP算法通过多次迭代逐步逼近最优解。

深度学习与神经网络的关系

深度学习是机器学习的一个重要分支，其概念源于人工神经网络，但通过引入更多层次和复杂结构（

如卷积神经网络CNN、循环神经网络RNN），实现了更强的表达能力。深度学习可以看作是传统神经网络的升级版。