神经网络是模拟人脑神经元结构和功能的人工智能模型，自20世纪80年代以来，在全球范围内掀起了研究热潮，广泛应用于图像处理、模式识别、语音合成和机器人控制等领域。近年来，随着脑科学和计算技术的进步，神经网络与混沌理论、模糊逻辑、遗传算法等结合，形成了混合智能信息处理方法，进一步推动了人工智能的发展。

人脑是生物进化的杰作，包含约140亿个神经元，通过超并行处理实现高速信息处理和多样性表现。神经网络通过建模神经元及其连接，探索模拟人脑的智能功能，如学习、联想、记忆和模式识别。本文介绍神经网络的基本特点及其与混沌理论、模糊计算和遗传算法等结合的混合神经网络研究动态。

一、神经网络与联结主义

认知科学中，符号主义和联结主义是两大流派。符号主义从宏观角度，将认知视为符号运算，强调逻辑思维，代表有专家系统和第五代计算机。联结主义则从微观出发，认为认知是神经元连接及其兴奋状态的结果，神经网络是其典型代表。神经网络具有大规模并行处理、分布式存储、自适应、自组织和强学习、联想、容错能力，更接近人脑信息处理模式。其优势包括：处理连续模拟信号、混沌和不完全信息、给出次最优解、并行分布工作、鲁棒性和容错性，以及在自然语言理解、图像识别等领域的应用。

符号主义和联结主义互补而非替代，理想的智能系统应结合两者。结合方式包括松耦合、紧耦合、转换模型和综合模型。近年来，混合神经网络将神经网络与模糊逻辑、混沌理论、遗传算法等结合，旨在实现柔性信息处理。

二、混沌理论与智能信息处理

混沌理论研究貌似无序中的有序性。生物神经系统中，从神经膜电位到脑电波均存在混沌现象。混沌神经网络模型引入神经膜不应性，模拟混沌响应，其输出与脑电图相似。脑功能被视为复杂混沌动力学系统，通过混沌动力学可探索动态联想记忆、模式识别等应用，如非线性预测、噪声滤波、模式识别系统等。

三、模糊集理论与模糊工程

模糊集理论处理语言和概念的模糊性，与神经网络互补。模糊-神经网络模型分为以神经网络为主和以模糊逻辑为主两类。模糊工程已实用化，如模糊芯片和模糊推理板，应用于智能控制等领域。日本在模糊家电方面领先，如模糊控制洗衣机等。

四、遗传算法

遗传算法模拟生物进化，是一种概率搜索和最优化方法。由Holland于1975年提出，广泛应用于智能控制、工程设计、图像处理、调度规划、优化理论和人工生命等领域。遗传算法与神经网络和模糊计算结合，可优化神经网络权重、结构和学习规则，以及模糊推理规则和隶属度函数。

神经网络、模糊计算、遗传算法和混沌理论统称为“计算智能”，是智能信息处理的基本方法。更多内容可参考相关著作。