DeSieno法：人工神经网络中的权向量优化策略

人工神经网络（Artificial Neural Networks, ANN），是一种受生物神经系统启发的计算模型，旨在模仿人脑的学习和决策过程。DeSieno法是一种针对神经网络训练过程中的问题提出的改进策略。传统的神经网络在处理输入向量时，如果一个权向量的阈值设置过低，可能导致某些关键输入在稍后被处理时无法得到充分响应，从而影响网络的精度。DeSieno法则解决这个问题的方法是，当一个权向量匹配到的输入向量数量超过某个阈值（如1/h），它的阈值会临时提高，以确保即使在网络未接收到对应输入时也能保持一定的敏感度。 Kohonen神经网络算法指出，在一个经过充分训练的网络中，输入向量与任意一个权向量之间的最小距离（即匹配程度）是相对均匀的，这个理论提供了一个理解网络学习效率的视角。初始权值的均匀分布也意味着所有权向量在理论上都有相同的匹配概率。 课程《人工神经网络导论》是一本重要的教材，由蒋宗礼教授编写，涵盖了人工神经网络的基础理论、不同类型的网络模型（如Perceptron、BP网络、CPN等）、统计方法以及特定的网络结构如Hopfield网和BAM，还有ART网络（Adaptive Resonance Theory）。这些内容旨在让学生理解智能系统的描述模型，掌握神经网络的结构、训练算法和应用，并鼓励他们将所学应用于未来的研究课题中。 课程目标不仅限于理论教学，还包括通过实验实践来熟悉模型的使用和性能，以及培养独立查阅参考资料的能力，以便将理论知识与实际研究结合起来。整个课程体系旨在引导学生从智能系统的基本概念出发，逐步深入到人工神经网络的各个层面，为他们在AI领域的发展打下坚实的基础。