神经网络的应用
在研究 ANN 被广泛使用的领域之前，我们需要了解为什么 ANN 是首选应用。
为什么是人工神经网络？
我们需要以人类为例来理解上述问题的答案。小时候，我们习惯在长辈的帮助下学习东西，包括父母或老师。后来，通过自学或实践，我们终生不断学习。科学家和研究人员也在让机器变得像人类一样智能，而 ANN 在这方面发挥着非常重要的作用，原因如下 −
借助神经网络，我们可以找到解决算法成本高昂或不存在的问题的方法。
神经网络可以通过示例学习，因此我们不需要对其进行大量编程。
神经网络具有比传统速度更快的准确性和速度。
应用领域
以下是使用 ANN 的一些领域。这表明 ANN 在其开发和应用中采用了跨学科方法。
语音识别
语音在人与人之间的互动中占有重要地位。因此，人们很自然地期待计算机能够实现语音界面。在当今时代，为了与机器进行交流，人类仍然需要难以学习和使用的复杂语言。为了缓解这种交流障碍，一个简单的解决方案可能是使用机器可以理解的口语进行交流。
该领域已经取得了巨大进步，然而，这类系统仍然面临着词汇量或语法有限的问题，以及针对不同条件下的不同说话者对系统进行再训练的问题。ANN 在这一领域发挥着重要作用。以下 ANN 已用于语音识别 −
多层网络
具有循环连接的多层网络
Kohonen 自组织特征图
对此最有用的网络是 Kohonen 自组织特征图，其输入是语音波形的短片段。它将映射与输出数组相同类型的音素，称为特征提取技术。提取特征后，借助一些声学模型作为后端处理，它将识别话语。
字符识别
这是一个有趣的问题，属于模式识别的一般领域。已经开发了许多神经网络来自动识别手写字符，无论是字母还是数字。以下是一些用于字符识别的 ANN −
- 多层神经网络，如反向传播神经网络。
- 神经认知机
虽然反向传播神经网络有几个隐藏层，但从一层到下一层的连接模式是局部的。同样，神经认知机也有几个隐藏层，它的训练是针对这类应用逐层进行的。
签名验证应用
签名是在合法交易中授权和验证一个人的最有用的方法之一。签名验证技术是一种非视觉技术。
对于此应用，第一种方法是提取特征或代表签名的几何特征集。有了这些特征集，我们必须使用高效的神经网络算法训练神经网络。这个训练有素的神经网络将在验证阶段将签名分类为真实或伪造。
人脸识别
这是识别给定面部的生物特征识别方法之一。由于"非面部"图像的特征化，这是一项典型的任务。但是，如果神经网络训练有素，则可以将其分为两类，即有面部的图像和没有面部的图像。
首先，必须对所有输入图像进行预处理。然后，必须降低该图像的维数。最后，必须使用神经网络训练算法对其进行分类。以下神经网络用于训练预处理图像 −
借助反向传播算法训练的全连接多层前馈神经网络。
为了降维，使用主成分分析 (PCA)。
