1、ICS 35.240.20 L 60 包B中华人民共和国国家标准G/T 527 1.34-2006/ISO/IEC 2382-34: 1999 信息技术词汇第34部分:人工智能神经网络Information technology-Vocabulary一Part 34: Artificial intelligence-Neural networks (ISOjIEC 2382-34: 1999 , IDT) 2006-03-14发布中华人民共和国国家质量监督检验检疫总局中国国家标准化管理委员会2006-07-01实施GB/T 527 1. 34-2006/ISO/IEC 2382-34: 199
2、9 目次前言.皿1 概述11. 1 范围1. 2 规范性引用文件1. 3 遵循的原则和规则2 术语和定义34.01 一般术语34. 02 神经网络及其部件.4 34. 03 连接和函数8附录A(资料性附录)中文索引附录B(资料性附录)英文索引I GB/T 527 1. 34-2006/ISO/IEC 2382-34: 1999 前言GB/T 5271(信息技术词汇共分30部分:一一第1部分:基本术语(GB/T527 1. 1) 一一第2部分:算术和逻辑运算(GB/T527 1. 2) 一一第3部分:设备技术(GB/T527 1. 3) 一一第4部分:数据的组织(GB/T5271. 4) 一一-
3、第5部分:数据的表示法(GB/T527 1. 5) 一-第6部分:数据的准备与处理(GB/T527 1. 6) 一一第7部分z计算机程序设计(GB/T527 1. 7) 一一第8部分:安全(GB/T5271. 8) 一一-第9部分:数据通信(GB/T527 1. 9) 一一一第10部分z操作技术和设施(GB/T527 1. 10) 第29部分:人工智能语音识别与合成(GB/T527 1. 29) 一一第31部分:人工智能机器学习(GB/T527 1. 31) 一一第32部分:电子邮件(GB/T527 1. 32) 第34部分:人工智能神经网络(GB/T527 1. 34) 本部分等同采用了IS
4、O/IEC2382-34: 1999(信息技术词汇第34部分:人工智能神经网络(英文版)。本部分是GB/T5271术语系列国家标准的第34部分。本部分标准的附录A和附录B是资料性附录。本部分标准由中华人民共和国信息产业部提出。本部分标准由中国电子技术标准化研究所归口。本部分标准起草单位:中国电子技术标准化研究所。本部分标准主要起草人:吴庆宝、王静。而且GB/T 527 1. 34-2006/ ISO/IEC 2382-34: 1999 信息技术词汇第34部分:人工智能神经网络1 概述1. 1 范围GB/ T 5271的本部分给出了与信息处关系。是注日期的引用文励根据本部分达成信息技术、第12部
5、分E外围遗骨(eqvISO/ llC 23i 2-12: 1988) 赞2B部分f智能基本概念专家系统(idtISO/ 31:1997) 1. 3. 1 词条的定义第2章包括许多识川的定义一个概念的短语。1.3. 2 词条的组成信息技术ISO/ IEC 2382 每个词条包括1.3. 1中规定的必有始告要素，如果需要，可增加当雪f些要素。词条按以下的顺序包括如下要素:、h._ a) 索引号(对发布的本标准所有语言是公共的); b) 术语或某语言中首选的术语，对某语言中的概念若没有首选术语表示，用五个点的符号表示(. . . . . ) ;在一个术语中，一行点用来表示每个特定事例中被选的一个词;
6、c) 某个国家的首选术语(根据GB/T4880规则标明); d) 术语的缩写;e) 许可的同义术语;f) 定义的正文(见1.3.4);GB/T 5271.34-2006/ISO/IEC 2382-34: 1999 g) 以例开头的一个或几个例子;h) 以注开头的概念应用领域标明特殊事例的一个或几个注解;i) 词条共用的图片、图示或表格。1. 3. 3 词条的分类本标准的每部分被分配两个数字组成的序列号，并以表示基本术语的01开始。词条按组分类，每组被分配一个四个数字组成的序列号;前两个数字表示该组在本标准中所处的部分。每个词条被分配一个六个数字组成的索引号;前四个数字表示该词条所在的标准部分和
7、组。为使本标准不同语言的版本都是相关联的，分配给标准部分、组和词条的序号都应是相同的。1. 3. 4 术语的选择和定义的用语选择术语和定义用语尽可能按照己规定的用法。当出现矛盾时，采用大多数同意的方法。1.3.5 多义术语在一种工作语言中，如果-个给定的术语有几个意义，每个意义则给定一个单独的词条以便于翻译成其他的语言。1.3.6 缩略语如1.3. 2中所指，当前使用的缩略语被指定给一些术语。这些缩略语不用于定义、例子或注解的文字中。1. 3. 7 圆括弧的用法在一些术语中，按黑体字印刷的一个词或几个词置于括弧中。这些词是完整术语的一部分。当在技术文章中使用缩略语不影响上下文的意思时，这些词可
8、被省略，在GB/T5271的定义、例子或注解的正文中，这些术语按完整形式使用。在一些词条中，术语后面跟着普通字体的放在括弧中的文字。这些词不是术语的某部分，而是指明使用该术语的有关信息，如它的特殊的应用范围，或它的语法形式。1.3.8 方括弧的用法如果几个紧密相关的术语的定义只是几个文字的区别，这些术语及其定义归为一个词条。为表示不同的意思的替换文字按在术语和在定义中的相同的次序放在方括弧中。为避免被替换词的不明确性，按上述规则放在括弧前面的最后一个词可放在方括弧里面，并且每变化一次则重复一次。1. 3. 9 定义中黑体术语的用法和星号的用法术语在定义、例子或注解中用黑体字印刷时，则表示该术语
9、已在本词汇的其他词条中定义过。但是，只有当这些术语首次出现在每一个词条中时，该术语才印成黑体字的形式。黑体也用于一个术语的其他语法形式，如名词复数和动词的分词形式。定义在GB/T5271中所有以黑体出现的术语的基本形式列在本部分后面的索引中(见1.3. 11)。当在不同的词条中引用的两个术语一个紧接着另一个，用星号将二者分隔开(或仅用标点分隔)。以一般字体出现的词或术语，按一般词典中或权威性技术词汇的释义理解。1. 3. 10 拼法本标准的英文版本中，术语、定义、例子和注解的拼写一般按美语的拼写形式。其他正确的拼写可在不与本标准发生冲突的情况下使用。1. 3. 11 索引裹的编制2 对于使用的
10、每种语言，在每部分的结尾提供字母索引。索引包括该部分定义的所有术语。多词术语按字母顺序出现在每个关键字后。GB/T 5271.34-2006/ISO/IEC 2382-34: 1999 2 术语和定义34 人工智能一一神经网络34.01 一般术语34.01.01 连接机制connectionism 连接科学connection science 研究人工智能的交叉学科，其中用简单处理单元的网络实现复杂的计算，把每个单元连接到大量的其他单元上去，它们交换简单消息，在许多这样的单元间出现并行处理。注:连接机制是由诸如人类大脑的生物的神经系统的运转所激起的。34.01. 02 连接(机制式)模型con
11、nectionist model 智能活动的计算模型，其中的信息片由大量简单处理单元的网络来共同表示，由交换简单消息实现这些处理单元间的通信，通过在大量这样的单元间分布的并行处理实现复杂计算。注:举例来说，把连接(机制式)模型应用于知识表示、模式识别、计算机视觉、自然语言理解、学习(如GB/T 52 71. 31 2006中定义的)以及运动控制。34.01. 03 亚符号表示subsymbolic representation 一种知识表示的技术，它把表示分布到相对大的网络上而不是直接存储符号。注:在连接(在制式)模型中，存储在网络内的知识由己用亚符号表示来分段，因而不易于表示为简单规则或符号
12、形式。34.01. 04 混合分层结构heterarchy 一种系统的结构，其各部分相互之间能直接通信。34.01. 05 层次结构hierarchy 一种系统的结构，为了通信的目的，依照特定规则，将其部件按级安排在下属各层中。34.01. 06 神经网络neural network 神经网neural net NNC缩略语)人工神经网络artificial neural network ANNC缩略语)由加权链路且权值可调整连接的基本处理元素的网络，通过把非线性函数作用到其输入值上使每个单元产生一个值，并把它传送给其他单元或把它表示成输出值。注1:虽然某些神经网络旨在模拟神经系统中神经元的功
13、能，I巨大多数神经网络用于人工智能以实现连接模型。注2:非线性函数的例子是闸值函数、sigmoid函数以及多项式函数。注3:本条目是GB/T52 71. 28一2002中条目28.01.22的修订版。34.01.07 人工神经元artificial neuron 神经元(不推荐使用)neurodeC deprecated) 具有几个输入和一个输出的神经网络中的本原处理单元，其输出值是具有可调加权系数的输入值的加权线性组合的非线性函数。3 G/T 5271.34一2006/ISO/IEC2382-34: 1999 注1:人工神经元的模型化按照神经系统中神经元的功能进行，并为交换消息而加以互连。注
14、2:每个人工神经元都是神经网络的一个结点，它和其他神经元合作及通信。神经网络也可以有不是人工神经元的输入结点。34.01. 08 神经计算机neurocomputer; neural computer 按神经网络方式构建的专用计算机。注:通常以连接更新每秒来度量其性能。34.01. 09 神经芯片neurochip 实现神经网络模型的全部或234.01. 10 34.02.01 34. 02.02 一种人工34.02.03 34.02.04 可见神经元-种人工神注:可见神经元口34.02.05 注:同一层的人工神经元在它们之间可以有连接。34.02. 07 输入层input layer 一种从
15、外部源接收信号的人工神经元层。注:延伸来讲，术语输入层也对一组源结点使用。34 . 02.08 4 输出层output layer 决策层decision layer 把信号送给外部系统的人工神经元层。34. 02. 09 可视层visible layer 和外部系统直接通信的结点层。34.02.10 隐层hidden layer 不直接和外部系统通信的人工神经元层。34. 02. 11 34.02.13 34.02. 14 非分层网，34 . 02. 15 仅有源结点破生l个输出层，而没有臆层的分层34 . 02.16 34.02. 17 34.02. 18 (完)全连接网络totally
16、connected network 全连接网络fully connected network GB/T 527 1. 34-2006/ISO/IEC 2382-34: 1999 一种非分层网络，其中每个人工神经元都连接到全部其他人工神经元上，或为分层网络，其中在层中的每个人工神经元连接到相邻向前层中全部神经元上。34 . 02. 19 随机连接网络randomly connected network 随机网络random network 一种神经网络，其人工神经元都随机地进行连接。5 GB/T 5271.34-2006/ISO/IEC 2382-34: 1999 34.02.20 共享权网络w
17、eight-sharing network 一种神经网络，其中同层的人工神经元共享同一连接权的向量。34.02.21 稳态(在神经网络中)stable stateCin neural networks) 全部人工神经元的连接权都保持不改变的状态。注:稳态通常出现在进一步训练时权保持不改变的情况，但也可以出现在诸如霍普菲尔德网络中的正常作用时。34.02.22 稳定结盟stable coalition 在稳态期间彼此保持激活的人工神经元的互相激发组。34.02.23 同步神经网络synchronous neural network 一种神经网络，其中全部人工神经元都同时被更新。34.02.24
18、异步神经网络asynchronous neural network 一种神经网络，其中人工神经元不被同时更新，例如随机更新或按某种有组织的顺序更新。34.02.25 前馈网络feedforward network 前向传播网络forward-propagation network 非循环网络acyclic network 在给定层内的各人工神经元之间既没有反馈路径也没有任何路径的多层网络。例:多层感知器。注:本术语有时用于指明任一分层网络。34.02.26 回复网络recurrent network 一种神经网络，其中在人工神经元间的连接形成至少一个反馈环路。例:霍普菲尔德网络，玻耳兹曼机。注
19、:非分层网络是回复网络。如果在给定层中的神经元之间有连接或从给定神经元反向连接到输入神经元上时，分层网络就是回复的。34.02.27 单层感知器single-Iayer perceptron 简单感知器simple perceptron 感知器perceptron 由一个有二进制输出值的人工神经元组成的神经网络，该二进制输出值由单调函数作用到输入值的线性组合并通过纠错学习来确定。注1:单层感知器形成由超平面隔开的两个决策区域。注2:对于二进制输入值，单层感知器不能实现异或运算(EXCLUSIVE OR，XOR)。34.02.28 6 多层感知器muItilayered perceptron 由
20、一组源结点、一个或多个隐层及一个输出层组成并使用单调激活函数的前馈网络。注1:多层感知器中每个人工神经元都是一个单层感知器。注2:多层感知器能实现任何布尔函敛。GB/T 5271.34-2006/ISO/IEC 2382-34: 1999 34.02.29 径向基函数网络radial basis function network RBF network (缩略语)一种前馈网络，其中每个隐神经元都使用一个径向基函数作为激活函鼓，且输出神经元实现这些径向基函数的线性组合。34.02.30 反向传播网络back-propagation network BPN (缩略语)反馈传播网络feedback-
21、propagation network 一种多层网络，它使用反向传播，以便学习期间的连接权调整。34.02.31 自组织网络self-organizing network 具有自组织能力的神经网络。注:常常把自组织网络设计成有模仿脑细胞的能力，按行为或模式组织它们自己。34.02.32 自组织映像self-organizing map SOM(缩略语)自组织特征映像self-organizing feature map SOFM(缩略语)科霍南映射Kohonen map 一种自组织网络，它由一个输出层组成，一般是二维的，完全连接到源结点，并使用竞争学习。34.02.33 联想存储(器)asso
22、ciative storage (可)按内容寻址存储器content-addressable storage 联想存储器associative memory 一种存储器，它能再调用存储的模式，该模式和近似的或部分的输入模式相匹配。注1:输入模式可以是地址或如在GB/T52 71. 28-2002中定义的模式的一部分或全部。注2:再调用模式可以是期望的数据本身或构成对它的引用，诸如对其地址的引用。注3:本条目是GB/T527 1. 122000中条目12.02.27的修订版。34.02.34 霍普菲尔德网络Hopfield network 交叉联想网络crossbar associative n
23、etwork CAN(缩略语)仅有可视神经元的一种全连网，它们被周期性更新，直至达到稳态时为止。注1:霍普菲尔德网络有有限个稳态，相应于能量函数的局部极小。在学习期间，调整连接权以便稳态相应于所存储的模式。在应用输入模式之后，网络朝着最接近的存储模式进化。注2:霍普菲尔德网络可以是同步神经网络或异步神经网络。注3:霍普菲尔德网络主要作为联想存储器使用，但也在优化中应用。34.02.35 玻尔兹曼机Boltzmann machine 兼有可视神经元和隐神经元的一种完全连接网络，两种神经元按照概率分布进行周期性更新。注1:在学习期间，某些可视神经元被固定在特殊的状态上。注2:在统计热力学和玻尔兹曼
24、机的动态性能之间有某种形式的等效性。7 GB/ T 527 1. 34-2006/ ISO/ IEC 2382-34: 1999 34.02.36 自适应谐振理论网络adaptive resonance theory network; ART network 一种神经网络，其中如果输入模式十分类似于具有特征的类别中的一个时，学习算法就更新存储的原型，或按另一种方式以像原型那样的输入创建一个新类别。注:自适应谐振理论网络体现塑性(学习的能力)和稳定性(不擦除或恶化现有的知识)之间的折衷。34.02.37 胜者全取网络winner-takes-all network 34.02. 38 34.02
25、.39 34 . 02.40 fi别网络一种神经实现。34 . 02 . 41 层次神经34 . 03 . 02 连接权(重)(在神经网络中)connection weight(in neural networks) 连接强度connection strength 突触权(重)(不推荐使用)synaptic weight(deprecated) 一个系数，在它与其他输入值结合前，乘以人工神经元的输入值。34 . 03 . 03 8 动态可编程连接dynamically programmable connection 一种神经连接，其连接权可动态地加以修改。G/T 5271. 34-2006/I
26、SO/ IEC 2382-34: 1999 34.03. 04 (神经)束bundle 板条之间的各棉经连接的汇集。34.03.05 学习(在神经网络中)learning( in neural networks) 由响应一个接一个的输入模式，调整其参数而使神经网络改进性能的过程。注:一般的，学习由连接权的调整组成。34.03.06 34.03.08 34.03. 12 34.03. 13 激活函数activation function 基于人工神经元输入值和当前连接权来计算人工神经元输出值的函数。注:输出值可以是连续的。34.03.14 径向基函数radial basis function R
27、BF(缩略语)一种激活函鼓，由连接权向量确定的一点为中心，其位置和宽度由学习来调整。注1:在径向基函数网络中，径向基函数是隐神经元的激活函数，并构成表示模式的基集。注2:径向基函数有极大值或极小值，和通常激活函数不同，通常激活函数是单调的。大多数使用的径向基函数是高斯函数。9 GB/T 5271. 34-2006/ISO/IEC 2382-34: 1999 34.03. 15 连接更新每秒connection updates per second CUPS(缩略语)在学习方式中，每秒神经元连接更新的个数。34.03.16 前馈传播feedforward propagation 前向传播forw
28、ard propagation 在多层网络中，从输入层朝向网络的输出逐层进行连接权调整的传播。注:不要和前馈网络混淆。34.03. 17 反向传播back propagation 反馈传播feedback propagation 在多层网络中，从连接权调整输出层朝向网络的输入的逐层传播。注:有代表性的反向传播用于与纠错学习的连接。34.03.18 训练(在神经网络中)trainingC in neural networks) 教会神经网络在输入值的样本和正确输出值之间作出结合的步骤。34.03.19 (训)期(在棉经网络中)epoch (in neural networks) 引入到神经网络中
29、的训练模式序列。34.03.20 批(量)训练batch training 一种训练，其中仅在提供了一个叫iI)期之后，才对连接权进行调整。34.03.21 10 交互式训练interactive training 模式训练pattern training 在提供了每个输入模式之后才对连接权进行调整的训练。GB/T 5271.34-2006/ISO/IEC 2382-34: 1999 附录A(资料性附录)申文索引B 板条34.02.12 玻尔兹曼机.34.02.35 部分连接网络.34.02.17 C 层(在神经网络中).34.02.06 层次结构.34.01. 05 层次人工神经网络34.0
30、2.41层次神经网络.34.02.41 D 单层感知器.34.02.27 单层网络.34.02. 15 动态可编程连接.34.03.03 多层感知器34.02.28多层网络.34.02.16 F 7070453 唱l句3嘈l句3唱lnJlqunJ句3叫丘呵丘呵正呵LnununununununU A斗AUTA斗A斗aqaATA斗句3qd州3qd句3qd句3结u络网网络络播播播播网网络传传传传层环网馈馈向向分循层反反反反非非分G 感知器34.02.27共享权网络34.02.20H 唱lnhUAU寸AUT噜lnJnU叫3qJW内，唱lnJnunununu a斗A斗AU寸A斗句3q4句3句3结构网结德
31、习结层尔学网分菲布复合普赫回混霍J 激活函数34.03.13 简单感知器34.02.27交叉联想网络.34.02.34 交互式训练34.03.21径向基函数.34.03.14径向基函数网络34.02.29竞争学习.34.03. 12 纠错学习.34.03.10 决策层.34.02.08K (可)按内容寻址存储器.34.02.33 科瞿南映射.34.02.32可见神经元.34.02.04 可视层34.02.09L 连接(机制式)模型34.01.02 连接(机制式)学习34.03.07连接更新每秒.34.03.15 连接机制34.01.01 连接科学34.01.01连接强度.34.03.02 连接
32、权(重)(在神经网络中)34.03.02联想存储(器)34.02.33联想存储器.34.02.33 M 模式训练.34.03.21 P 批(量)训练34.03.20瓶颈层34.02. 11 Q 前馈传播.34.03.16 11 GB/T 527 1. 34-2006/ISO/IEC 2382-34: 1999 前馈网络34.02.25前向传播34.03.16前向传播网络34.02.25全连接网络34.02.18突触连接(不推荐使用)34.03.01突触权(重)(不推荐使用)34.03.02飞NR (完)全连接网络34.02.18 稳定结盟34.02.22稳态(在神经网络中)34.02.21人工
33、神经网络34.01.06人工神经元34.01.07x S 神经计算机.们一犯U一L侃侃眩也A哇aaaTYU寸AU可归l阳l国133fit-r 卜L旧时川用-1t，IEV使琦结结i 守网网u元取取经元多全层神经者者出出神胜胜输输nUFD 22 nunU AU寸AAJU. . . 34. 02 . 09 34. 02 . 04 winner-takes-m !. . . . . . . . . . .J 16 824的BSRU国SMCON-寸的.FhSH菌。华人民共和国家标准信息技术词汇第34部分:人工智能神经网络GB/T 527 1. 34-2006/ISO/IEC 2382-34: 1999 国出9唔中国标准出版社出版发行北京复兴门外三星河北街16号邮政编码:100045 网址电话:6852394668517548 中国标准出版社秦皇岛印刷厂印刷各地新华书店经销峰印张1.5字数35千字2006年8月第一次印刷开本880X 1230 1/16 2006年8月第一版定价14.00元如有印装差错由本社发行中心调换版权专有侵权必究举报电话:(010)68533533* 书号:155066 1-27897 GB/T 5271.34-2006
