神經網路其實是建立了輸入與輸出的乙個引數未知的關係式。
例如：輸出是y（1*1），輸入是x（n*1），建立了關係式y=x'ax+bx+c，這樣的乙個n元二次關係。設n=3，
則現在已經知道輸入x與輸出y之間存在上式所示二次關係，但是係數
例如，我們要建立乙個小球的運動學模型，那麼我們可以用牛頓第二定律f=ma，若認為f是輸入，a是輸出，則a=f/m，則需要確定的引數就是m，這個引數非常容易獲得，可以直接人工決定。
根據傳統動力學方法，如果我們要確定乙個幾何形狀特別複雜的結構的運動學模型，則除了f=ma，可能還要用到動量矩定理
如果用學習的方法，其實是不考慮動力學方程，只建立輸入與輸出的關係，將
個人理解，不一定正確：傳統實驗法+引數辨識的過程與神經網路學習的方法的區別在於，傳統方法的模型可被證明是正確的，而神經網路模型無法得到證明。
傳統方法是根據物理常識推導出來的，可以認為模型具有一定的合理性，或者可以認為這個模型就是對的，如果你做出來結果不對，肯定是引數沒辨識好；而神經網路學習的方法，他無法確定模型是否正確，你建立的神經網路是否合理，無法獲得證明，如果你用來訓練的資料集夠大，辨識出的引數可以很好的在測試資料集中得以驗證，則可以認為該神經網路是合理的，且引數辨識正確。
剛剛看到一句話，很好地概括了上面的內容。。。
資料是機器學習的核心。這種資料驅動的方法，也可以說脫離了過往以人為中心的方法。
以下是自己的一些叨逼叨：
其實控制領域相對模式識別領域，其系統的輸入量非常少，模式識別領域，如影象處理，動輒上百個的輸入，控制領域輸入量達到幾十就已經認為是複雜系統了。
另外，影象處理中如分類，比如識別一幅圖是乙隻貓還是乙隻狗，如何建立影象畫素點rgb值與「貓」、「狗」的關係（即建模），這很難用一種現成的物理學理論來建立正確的模型，所以使用神經網路來建模，從實際效果來驗證，只要模型+引數能實現一定的正確識別率，我們就認為我們的模型合理，引數正確。
本文使用上面的例子僅僅因為本人是學控制的，想要從這個角度來理解而已。
自己對bp神經網路學習的了解
神經網路是乙個有多個輸入的函式，每一層的節點的輸出為上一層節點輸出的函式 yi f bi e wij xj e wij xj 表示對j 1 n n為上層節點數 計算wij xj的和。函式f一般為f x 1 1 e x x y表示x的y次方 上一層的輸出又可以表示為上上層輸出的函式，直到輸入層，展開來...
實現自己的卷積神經網路
卷積神經網路 convolutionalneural network,cnn 是人工神經網路的一種。當前已經成為影象和語音識別領域有十分廣泛的應用，特別是在識別位移 縮放及其他形式扭曲不變性的二維圖形方面有十分優異的表現，已經成為乙個十分重要的研究方向。關於cnn的詳細解釋可以看這裡 和這篇 接下來...
神經網路學習之 Hopfield神經網路
1982年，美國加州理工學院的優秀物理學家hopfield提出了hopfield神經網路。hopfield神經網路引用了物理力學的分析方法，把網路作為一種動態系統並研究這種網路動態系統的穩定性。dhnn 離散型hopfield神經網路 這是一種單層全反饋網路，共有n個神經元。其特點是任一神經元的輸出...