3.不宜用来求解用数字计算机解决得很好的问题。
4. 体系结构的通用性差。
2.6 人工神经网络的应用
    人工神经网络能较好的模拟人的形象思文，对信息具有很好的隐藏性，还具有容错性强、鲁棒性强和自学习性强等特点，是一个大规模自组织、自适应且具有高度并行协同处理能力的非线性动力系统。人工神经网络理论的应用已经渗透到各个领域。
    信息处理领域：包括信号处理、模式识别和数据压缩等方面的应用。
    自动化领域：包括系统辨识、神经控制器和智能检测等方面的应用。
    工程领域：包括在汽车工程、军事工程、化学工程和水利工程等方面的应用。
    经济领域：包括在微观经济领域的应用、在宏观经济领域的应用、在证券市场中的应用、在金融领域的应用和在社会经济发展评价和辅助决策中的应用。
    医学领域：包括检测数据分析、生物活性研究和医学专家系统等应用。
    本文主要从识别与聚类、神经优化、控制与处理等大方面对人工神经网络的应用进行介绍。
2.6.1 识别与聚类应用
人工神经网络的典型应用就是模式识别、分类与聚类。一般来说，模式识别和分类是指通过使用一系列的训练数据对神经网络进行训练，在有教师指导学习方法下，让神经网络在训练数据的训练下调整网络的结构与权重，以达到正确识别的目的。和传统的判别式统计分类方法相比，人工神经网络方法不需要被识别问题具有线性可分的前提，因此能够应用到非线性的识别与分类中，具有非常广泛的应用价值。如图2（a）所示，神经网络通过训练和学习，获取了非线性的识别和分类能力，从而能够将输入数据通过训练好的非线性结构映射到输出空间。目前，神经网络已经在手写字符，汽车牌照，指纹、声音和人脸识别等模式识别领域取得了成功的应用，而且还可用于目标的自动识别、目标跟踪、机器人传感器图像识别及地震信号的鉴别等。
图2 模式识别分类与聚类
    聚类和分类的区别在于聚类需要划分的类是未知的，它要求将数据对象分组为多个类或簇，在同一簇中的对象之间具有较高的相似度，而不同簇中的对象差别较大，如图2（b）所示。
2.6.2 计算与优化应用
    神经计算是人工神经网络的一个重要应用手段，也为各种优化问题提供了解决的方案。优化问题就是需要在问题的解空间里面寻找一个最优的解，在满足一定的约束条件下使得目标函数最大化或者最小化。由于神经网络具有并行搜索处理信息、联想记忆等特点，在搜索系统的全局最优或局部最优解方面，具有较大优势，因此在优化问题上得到了广泛的研究与应用。
    在使用人工神经网络进行优化计算的时候，一般都是选择Hopfield神经网络。例如，Hopfield和Tank在1985年就提出了一种使用神经网络求解离散组合优化问题的方法。他们提出的神经网络方法，对于不超过30个城市的TSP问题一般都能找到最优解或者近似最优解，但是当城市规模变大的时候，效果就不大理想了。
近年来，随着进化计算的发展，人们更加倾向于使用遗传算法、蚁群优化算法、粒子群优化算法等方法对各种连续或者离散领域的最优化问题进行求解。而神经网络方法更多地使用在模式识别、聚类分类、建模预测等方面。
2.6.3 控制与处理应用
    神经网络已经在自动控制盒信息处理等各个领域取得了相当成功的应用。在自动控制领域，其主要的应用包括系统建模和辨识、参数整定、极点配置、内模控制、优化设计、预测控制、最优控制、滤波与预测容错控制等。另外，神经网络还在机器人控制方面发挥着重要的作用，能够实现对机器人轨道控制，以及操作机器人眼手系统，常用于机械手的故障诊断及排除、智能自适应移动机器人的导航、视觉系统等 仿生智能计算的研究+文献综述(3):http://www.youerw.com/tongxin/lunwen_7258.html