人工神经网络
人工神经网络(Artificial Neural Networks, ANNs )，也简称为神经网络(NNs)或称为连接模型(Connectionist Model)，它是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。人工神经网络具有自学习和自适应的能力，可以通过预先提供的一批相互对应的输入/输出数据，分析掌握两者之间潜在的规律，最终根据这些规律，用新的输入数据来推算输出结果，这种学习分析的过程被称为训练。
人工神经网络中，神经元处理单元可表示不同的对象，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3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。
1、神经网络结构
神经网络结构如图10-2所示。
图10-2 人工神经网络结构
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。它是涉及神经科学、思维科学、人工智能、计算机科学等多个领域的交叉学科。
人工神经网络特点：
(1)知识以分布方式存储在整个系统。
(2)具有很强的容错能力。
(3)可以逼近任意复杂的非线性系统。
(4)具有良好的自适应、联想等智能，能适应系统复杂多变的动态特性。
正是以上特点，使其在变形监测数据处理与分析上有着独特的优越性。
2、激活函数分类
激活函数主要包括阈值型、线性型和S型。
(1)阈值型激活函数。这个函数特性比较硬，表达式是非线性的。它的输入输出关系如下：
(2) S型激活函数。它的特性比较软，输出状态取值范围为[-1,1]或[0,1]。
它的输入/输出关系如下：
或者：
(3)线性型激活函数。
它的输入/输出关系如下：
在神经网络中，激活函数实现处理单元的输出功能。在BP网络结构中，最常采用的是S型激活函数。
根据神经元之间连接的拓扑结构的不同，可将神经元分为分层网络和相互连接型网络。所谓分层网络，就是一个网络模型中的所有神经元按功能分层，一般分为输入层、中间层(隐含层)、输出层，各层按顺序连接。分层网络可细分为简单前向网络、反馈前向网络和层内互相连接的网络。BP网络就是一个典型的前向网络。相互连接型网络是指网络任意两个单元之间都是互相连接的。
