简介
很少有程序员不对这里或者那里所包含的人工智能编程所吸引，然而，许多对AI感兴趣的程序员很快就因其中包含的算法的复杂性而退却。在本文中，我们将讨论一个能大大简化这种复杂性的Java开源工程。
Java面向对象的神经网络(JOONE)是一开源工程，它提供给Java程序员一个高适应性的神经网络。该JOONE工程源代码由LGPL所保护。简言之，这意味着源代码是可自由使用的而且你不需要支付版税就可以使用JOONE。JOONE可以从http://joone.sourceforge.net/处下载。
JOONE能允许你轻易地从一个Java程序中创建神经网络。JOONE支持许多特征，如多线程和分布式处理。这意味着JOONE能利用多处理机计算机和多台计算机的优势来进行分布式处理。
神经网络
JOONE用Java实现了一个人工神经网络。一个人工神经网络试图仿效生物学神经网络的功能--神经网络组成今天在地球上几乎所有高等生命的大脑形式。神经网络由神经原组成。图1显示了一个实际神经原图。
图1:一个生物学的神经原
从图1中你可以看出，神经原由一个内核细胞和几个长长的称为触角的连接器组成。神经原之间依靠这些触角进行连接。无论是生物学的还是人工的神经网络，都通过触角把信号从一个神经原传递到另一个神经原来工作。
使用JOONE
在这篇文章中，你将看到一个简单的怎样使用JOONE的实例。神经网络题目涉及广泛并覆盖许多不同的应用领域。在本文中，我们将展示给你怎样使用JOONE来解决一个很简单的模式识别问题。模式识别是神经网络中的最普遍的应用之一。
模式识别提供给神经网络一种模式，判断是否该神经网络能够识别出该模式。这种模式应该能够在某种程度上被扭曲而该神经网络仍然能够识别它。这很像人类识别东西（如一个交通标志）的能力。人类应该能够识别在下雨天，晴天或者晚上的交通标志。即使这些图像看上去可能相当不同，但人类的大脑仍能够判断出它们是一样的图像。
当进行JOONE编程时，你一般要使用两种类型的对象。你要使用神经原层对象，用于描述一层的一个或多个的具有相似特征的神经原。神经网络经常有一层或两层神经元。这些神经元层通过触角联系在一起。这些触角把这种待识别的模式，从一个神经元层传输到另一个神经元层。
触角不仅把这种模式从一个神经元层传输到另一个神经元层。触角还将生成一些指向这种模式的元素的斜线。这些斜线将导致这种模式的某些元素在被传输到下一个神经元层时不如通过其它方式传递更有效些。这些斜线通常称为权重，它们形成神经网络的存储系统。通过调整存储在触角中的这些权重，可以更改神经网络的行为。
触角在JOONE中还承担着另外一个角色。在JOONE中，可以把触角看作是数据导管。正如触角把模式从一个神经元层传输到另一个神经元层，指定版本的触角用于把模式传入和传出神经网络。下面将给你展示一个简单的单层的神经网络是怎样被构建并进行模式识别的。
训练神经网络
为实现本文的目的，我们将指导JOONE去识别一个很简单的模式。在这种模式中，我们将考察一个二进制的布尔操作，例如XOR。这个XOR操作的真值表列举如下：
|
X |
Y |
X XOR Y |
| 0 | 0 | 0 |
| 0 | 1 | 1 |
| 1 | 0 | 1 |
| 1 | 1 | 0 |
正如你从上表中看到的，XOR运算的结果是只有当X和Y具有不同值时，结果才为真（1）。其它情况下，XOR运算结果均为假（0）。默认地，JOONE从存储在你的系统中的文本文件中取得输入。这些文本文件通过使用一种称为FileInputSynapse的特殊触角来读取。为了训练XOR运算问题，你必须建立一个输入文件-该文件包含上面显示的数据。该文件显示在列表1中。
列表1:为解决XOR问题的输入文件的内容
0.0;0.0;0.0
0.0;1.0;1.0
1.0;0.0;1.0
1.0;1.0;0.0
我们现在分析一个简单的程序，它指导JOONE来识别XOR运算并产生正确的结果。我们现在分析训练该神经网络必须被处理的过程。训练过程包括把XOR问题提交给神经网络，然后观察结果。如果这个结果不是所预期的，该训练算法将调整存储在触角中的重量。在神经网络的实际输出和预料的输出之间的差距称为误差。训练将继续到误差小于一个可接受值为止。这个级别通常是一个百分数，如10%。我们现在分析必须用于训练一个神经网络的代码。
训练过程通过建立神经网络开始，同时也必须创建隐蔽的输入层和输出层。
| // 首先，创造这三个层 input = new SigmoidLayer(); hidden = new SigmoidLayer(); output = new SigmoidLayer(); |
每个层被使用JOONE对象SigmoidLayer创建。Sigmoidlayer基于自然对数生成一个输出。JOONE还包含另外的层，而不是你可能选择使用的S形的层类型。
下一步，每一层被赋于一个名字。这些名字将有助于后面在调试期间识别该层。
| input.setLayerName("input"); hidden.setLayerName("hidden"); output.setLayerName("output"); |
现在必须定义每个层。我们将指定在每一层中的"行"号。该"行"号对应于这一层中的神经原的数目。
| input.setRows(2); hidden.setRows(3); output.setRows(1); |
从上面的代码看出，输入层有两个神经原，隐蔽层有三个隐蔽神经原，输出层包含一个神经原。这对于神经网络包含两个输入神经原和一个输出神经原是具有重要意义的，因为XOR运算符接收两个参数而产生一个结果。
为使用该神经原层，我们也必须创建触角。在本例中，我们要使用多个触角。这些触角用下面的代码实现。
| // 输入-> 隐蔽的连接。 FullSynapse synapse_IH = new FullSynapse(); // 隐蔽-> 输出连接。 FullSynapse synapse_HO = new FullSynapse(); |
就象神经原层的情况一样，触角也可能命名以有助于程序的调试。下面的代码命名新建的触角。
| synapse_IH.setName("IH"); synapse_HO.setName("HO"); |
最后，我们必须把触角联接到适当神经原层。下面的代码实现这一点。
| // 联接输入层到隐蔽层 input.addOutputSynapse(synapse_IH); hidden.addInputSynapse(synapse_IH); // 联接隐蔽层到输出层 hidden.addOutputSynapse(synapse_HO); output.addInputSynapse(synapse_HO); |
现在既然神经网络已被创建，我们必须创建一个用于调节该神经网络的监视器对象。下面的代码创建监视器对象。
| //创建监视器对象并且设置学习参数 monitor = new Monitor(); monitor.setLearningRate(0.8); monitor.setMomentum(0.3); |
学习速度和动力作为参数以用于指定训练的产生方式。JOONE利用backpropagation学习算法。要更多了解关于学习速度或者动力的信息，你应该参考backpropagation算法。
| 共2页: 1 [2] 下一页 |
