簡介
很少有程式設計師不對這裡或者那裡所包含的人工智慧程式設計所吸引，然而，許多對AI感興趣的程式設計師很快就因其中包含的演算法的複雜性而退卻。在本文中，我們將討論一個能大大簡化這種複雜性的Java開源工程。
Java面向物件的神經網路(JOONE)是一開源工程，它提供給Java程式設計師一個高適應性的神經網路。該JOONE工程原始碼由LGPL所保護。簡言之，這意味著原始碼是可自由使用的而且你不需要支付版稅就可以使用JOONE。JOONE可以從http://joone.sourceforge.net/處下載。
JOONE能允許你輕易地從一個Java程式中建立神經網路。JOONE支援許多特徵，如多執行緒和分散式處理。這意味著JOONE能利用多處理機計算機和多臺計算機的優勢來進行分散式處理。
神經網路

圖1:一個生物學的神經原

從圖1中你可以看出，神經原由一個核心細胞和幾個長長的稱為觸角的聯結器組成。神經原之間依靠這些觸角進行連線。無論是生物學的還是人工的神經網路，都通過觸角把訊號從一個神經原傳遞到另一個神經原來工作。
使用JOONE
在這篇文章中，你將看到一個簡單的怎樣使用JOONE的例項。神經網路題目涉及廣泛並覆蓋許多不同的應用領域。在本文中，我們將展示給你怎樣使用JOONE來解決一個很簡單的模式識別問題。模式識別是神經網路中的最普遍的應用之一。
模式識別提供給神經網路一種模式，判斷是否該神經網路能夠識別出該模式。這種模式應該能夠在某種程度上被扭曲而該神經網路仍然能夠識別它。這很像人類識別東西（如一個交通標誌）的能力。人類應該能夠識別在下雨天，晴天或者晚上的交通標誌。即使這些影象看上去可能相當不同，但人類的大腦仍能夠判斷出它們是一樣的影象。
當進行JOONE程式設計時，你一般要使用兩種型別的物件。你要使用神經原層物件，用於描述一層的一個或多個的具有相似特徵的神經原。神經網路經常有一層或兩層神經元。這些神經元層通過觸角聯絡在一起。這些觸角把這種待識別的模式，從一個神經元層傳輸到另一個神經元層。
觸角不僅把這種模式從一個神經元層傳輸到另一個神經元層。觸角還將生成一些指向這種模式的元素的斜線。這些斜線將導致這種模式的某些元素在被傳輸到下一個神經元層時不如通過其它方式傳遞更有效些。這些斜線通常稱為權重，它們形成神經網路的儲存系統。通過調整儲存在觸角中的這些權重，可以更改神經網路的行為。 
觸角在JOONE中還承擔著另外一個角色。在JOONE中，可以把觸角看作是資料導管。正如觸角把模式從一個神經元層傳輸到另一個神經元層，指定版本的觸角用於把模式傳入和傳出神經網路。下面將給你展示一個簡單的單層的神經網路是怎樣被構建並進行模式識別的。

訓練神經網路
為實現本文的目的，我們將指導JOONE去識別一個很簡單的模式。在這種模式中，我們將考察一個二進位制的布林操作，例如XOR。這個XOR操作的真值表列舉如下：

學習速度和動力作為引數以用於指定訓練的產生方式。JOONE利用backpropagation學習演算法。要更多瞭解關於學習速度或者動力的資訊，你應該參考backpropagation演算法。

這個監視器物件應該被賦值給每一個神經原層。下面的程式碼實現這一點。

神經網路現在將要被訓練20，000個週期。當神經網路訓練完成，誤差層應該在一個合理的低級別上。一般低於10%的誤差級是可接受的。

執行神經網路
現在，既然神經網路已經訓練開始，我們可以通過提供輸入模式給神經網路來測試它並觀察結果。用於執行神經網路的方法必須首先為神經網路處理資料作好準備。目前，該神經網路處理一種訓練方式中。首先，我們將從輸出層刪除訓練員。然後，我們將用FileOutputSynapse替換訓練員，以便於我們能記錄來自於神經網路的輸出。下面的程式碼實現這一點：

當訓練完成，你將看到輸出檔案產生的結果類似列表2。
列表2:來自於神經網路的輸出
0.012549763955262739
0.9854631848890223
0.9853159647305264
0.01783622084836082
可以看出，上面列表中的第一行中的數字合理地接近於零。這是很好的，因為輸入訓練檔案的第一行，如列表1所示，被預期結果是為零的。同樣，第二行合理地接近於1，這也很好，因為訓練檔案的第二行被預期結果也是為1的。
結論
JOONE引擎封裝了神經網路程式設計中的具有相當多的複雜性，本文的例子顯示了神經網路使用的基本過程。儘管真實世界中神經網路的實現將複雜得多，但是其基本處理過程是一樣的--資料被提供到神經網路用於訓練，然後生成新的模式用於識別。這裡的例程為用JOONE進行探索提供了一個良好的開端。