類神經網路簡述

類神經網路是模擬人類神經網路的一個計算系統，神經網路是由神 經細胞加上軸突與突觸所構成，類神經網路在架構上是由眾多相連的人 工神經元及連接其間的權重值所組成，經過不斷的學習訓練模擬人類神 經網路的學習能力。

人工神經元透過神經鍊結與其他神經元互相的連結，形成一個高度

密集的網路，此網路具備著高度的分辨能力，同時也具有記憶性，然後 可以藉由輸入訊號的刺激抑制或增強神經元之間的神經鍊結，使得神經 網路具有強大的學習能力。

神經網路的架構包含著輸入層(Input Layer)、隱藏層(Hidden Layer)、

輸出層(Output Layer)和激發函數（Activation function）等。輸入所提供之 激發訊號，經過其間運算單元之計算，輸出系統之響應，運算單元之間 訊號傳遞之強弱由權重值決定。學習過程中，利用學習法則調變權重值，

使網路達到最佳狀態。

神經網路的基本架構，可分成三個部分予以說明：

（1） 運算單元：為類神經網路之基本單元，常稱為神經元，當接 受激發訊號輸入後，經函數轉換處理完之後，傳送至其他運算單元 或輸出層。

（2） 神經層：將具備相同功能之神經元集合為一神經層，神經網 路通常具有輸入層、輸出層和隱藏層這三部份。

（3） 神經網路：所有神經層之集合稱為神經網路，可利用學習法 則加以調變權重值，使神經網路具有強健性。

根據學習型態，則可分為兩種類型：

（1） 監督式學習（supervised learning）

監督式學習是以疊代方式修正神經網路的權重值，由於希望輸出

結果能符合預期之結果，故在整個訓練過程中，將不斷修正權重 值，使其神經網路輸出值與期望輸出值之間的誤差降低，直至誤 差小於臨界值或疊代之次數超過限制之次數，訓練才會停止。

（2） 非監督式學習（unsupervised learning）

非監督式學習僅需要提供輸入訊號，不需提供期望輸出值，因為網 路不需要使用誤差訊息去改善神經網路的輸出，僅需要依照輸入資 料便可以判斷其類別。

一般而言，非監督式學習神經網路通常是被使用在分類的問題上，

而監督式身經網路則是用在模型訓練方面。

綜合言之，神經網路其優點可歸納如下：

（1） 高度的平行運算能力：神經網路利用大量的神經元，模擬生 物神經系統，使其具備高度平行處理能力。

（2） 學習與記憶能力：神經網路利用輸入訊號的刺激或抑制調變 權重值，學習並記憶輸入與輸出之間的相互關係。

（3） 容錯強健度：神經網路是採取分散記憶式儲存資訊，因此當 輸入訊號不完整或訊號夾雜少量雜訊時，神經網路可作適當的處 理，具備模糊推論之能力，且網路具有大量的鍊結，當部份鍊結失 效時，網路依然可提供正確之輸出。

（4） 非線性處理能力：神經網路可利用回授能力，克服系統中高

度的非線性關係。

由於類神經網路的優點與特性，非常適合應用在情緒辨識模型，下 節將對所選用之類神經網路類型與架構予以說明。