神经元是构成神经网络的最基本单位，构造一个人造神经网络系统的首要任务就是构造人造神经网络模型。
人造神经元网络的基本构成
我们希望人造神经元可以模拟生物神经元的一阶特性—输入信号的加权和。对于每一个人造神经元来说，可以接受一组来自系统中其他神经元的输入信号，每个输入对应一个权，所有输入的加权，所有输入的加权和决定该神经元的激活状态（Activation）。
设n个输入分别用x1、x2、... xn表示，它们对应的连接权值依次为w1，w2，...，wn，所有的输入及对应的连接权值分别构成输入向量X和连接权向量W：
X = (x1,x2,...,xn)
W = (w1,w2,...,wn)T
用net表示该人造神经元所获得的输入信号的累积效果，称为该人造神经元的网络输入：
【人造神经元网络输入】
人造神经元网络的算法
一个人造神经元网络有许多输入端（当然也有较少的输入，完成中继放大的作用）神经输入——触突，每个触突的大小可以是不同的，也就是它们由接受输入脉冲到刺激本神经元的细胞膜的强度是不一样的。在人为的描述中我们以连接强度——权重值表示（如图中的a，b等等）。
【人造神经元网络模型】
这些由触突连接和电脉冲传递的网络，为了简单人为将他们表示为一个连续的量（如图中的x1,x2等等）。但这种表示与实际还是有差别的。
人造神经元网络算法模型如图所示，输出y可以表示为：y=a*x1+b*x2+c*x3+d*x4 的形式
其中的输入数量（这里为4）认为是输入“信息”空间的大小。但是，如此的神经元如果我们将它们级联许多，其效果如同一个神经元，因为其中只有“线性”的关系。生物在自然形成中具有很好的优化和“智慧”；一个神经元的输出，我们已经说明了，它不是一下子就传递的，是要有积累的，并且输出的脉冲每次也是单一的，有限的
所以实际的神经元的输出对输入而言是呈“非线性”的；在人造神经元网络算法中就是函数f，它是一个非线性的影射函数；它的存在十分重要，它能将有限的输入空间维数加以增加，使人造神经元网络具有识别复杂形状的能力！
以上就是人造神经元网络的基本构成及算法的所有内容
更多人工智能请点击世界首个人造神经元问世IBM，人工智能技术历史性突破！
分享至朋友圈才是义举
[责任编辑 : yang.cheng]
人工智能 人造神经元网络 人造神经网络算法 人工神经网络算法