1.2.3 发展趋势及研究热点传统的模式识别系统通常只使用样本中某种单一特征和某个特定的分类器进行分类。在模式识别研究中发现，不同的特征描述、不同的分类器在分类性能上存在着彼此互补性。[1]因此，提取多种特征，选用不同类型的神经网络分类器或不同规模和初始化条件下的同种类型的神经网络分类器进行集成，无疑能提高识别系统的分类性能。[2]人工神经网络的非线性适应性信息处理能力是它所特有的特有，这种特性可以摆脱传统的人工智能的方法的某些本质性缺陷，比如语音识别、直觉、非结构化的信息的处理等等方面。使之成功在很多领域得到很好的应用应用。人工神经网络与其它传统的人工智能相互结合、优缺点互补，就可以令人工智能和信息处理技术不断地被人们认可，并发展到更多的领域。最近这些年以来，人工神经网络越来越能更好的模拟人类对事物的感知情况，进化机制、遗传算法、模糊系统等等人工智能的实现方法相结合源[自-优尔*`论/文'网·www.youerw.com/，所形成的计算智能，已经变为了一个人工智能进步的重要目标。可以预见，这种计算智能将可以在实际使用中有极好的前景。信息几何这种工具也被应用在了人工神经网络的研究上边，成功的开辟了一个能够用来研究人工神经网络理论的全新的途径。现在在很多领域之中都可以看到有关于神经网络的很好的应用，但是还有很多方面需要我们去研究改进。分布式并行处理，自学习，自组织，并与神经网络等技术和融合的过程，因此混合动力系统的优势相结合的非线性映射已成为一个神经网络方面的主要的研究重点。作为另一种方法，优点，使其在与其他方法结合，神经网络，以互相学习，然后能够从应用程序得到更好的结果。目前正作为神经网络和模糊逻辑，专家系统，遗传算法，小波分析，混沌，集成粗糙集理论，分形理论，证据和灰色系统，等等。

神经网络分类器的设计与实现(3):http://www.youerw.com/zidonghua/lunwen_63603.html