2.学习规则（1）选择一组初始权值wi（1)（2）计算某一输入模式对应的实际输出与期望输出的误差（3）更新权值，值可视为输入恒为（一1）的一个权值：w,(t+l) =w,(t)+n[d, -y,(t)]x,(t)式中，n：学习因子：d，yt)：第个神经元的期望输出与实际输出；xt）：第个神经元的第个输入。（4）返回（2），直到对所有训练模式网络输出均能满足要求神经网络的学习体现在：权值变化：网络结构变化
2. δ学习规则 （3）更新权值，阈值可视为输入恒为（－1）的一个权值； （1）选择一组初始权值wij(1)； （2）计算某一输入模式对应的实际输出与期望输出的误差； w (t 1) w (t) [d y (t)]x (t) i j + = i j + j − j i 式中， （4）返回 (2) ，直到对所有训练模式网络输出均能满足要求。 dj，yj (t)：第j个神经元的期望输出与实际输出； xi (t)：第j个神经元的第i个输入。 神经网络的学习体现在： η：学习因子； 权值变化； 网络结构变化
8.2.4神经网络的结构分类分层结构有明显层次，信息流向由输入层到输出层前馈网络相互连接结构没有明显层次，任意两个神经元之间可达，具有输出单元到隐层单元或输入单元的反馈连接。反馈网络
8.2.4 神经网络的结构分类 分层结构 有明显层次，信息流向由输入层到输出层。 —— 前馈网络 没有明显层次，任意两个神经元之间可达，具有输出 单元到隐层单元或输入单元的反馈连接 。 —— 反馈网络 相互连接结构
8.3前馈神经网络感知器8.3.1感知器（Perceptron）：F.Rosenblatt于1957年提出YM结构特点：V1*双层（输入层、输出层）；*两层单元之间为全互连：*连接权值可调。*输出层神经元个数等于类别数（两类问题时输出层X1X2Xn为一个神经元）感知器结构示意图
8.3 前馈神经网络 8.3.1 感知器 感知器（Perceptron）：F．Rosenblatt于1957年提出。 x1 x2 xn y1 . yM . . . 感知器结构示意图 * 双层（输入层、输出层）； * 两层单元之间为全互连； * 连接权值可调。 结构特点： * 输出层神经元个数等于类 别数（两类问题时输出层 为一个神经元）
设输入模式向量，X=[x,x2,,，共M类输出层第神经元对应第模式类Xi8wjX2OW2j输出为 ,=fwx,-,).-.i-1WiyiXiyi0：第i个神经元的阈值：-输入模式第个分量与WniWj:3输出层第个神经元间的连接权输出单元对所有输入数值加权求和，经闯值型输出函数产生一组输出模式令, =-W(n+1)j。取TX=[xi,X2,".,xn,1]1W, =[wij, W2j, .", W(n+1),]Tn+1有y, = f(Ew,x,)= f(WTx)i=1
设输入模式向量， X = [x1 , x2 , , xn ] T ，共M类。 输出层第j个神经元对应第j个模式类， θj：第j个神经元的阈值； wij：输入模式第i个分量与 输出层第j个神经元间的连接权。 令 j = −w(n+1) j 。取 T 1 2 ( 1) [ , , , ] Wj = w j w j w n+ j T 1 2 [ , , , , 1] n X = x x x ( ) ( ) T 1 1 W j X n i j i j i y = f w x = f + = 有 ( ) 1 j n i j i j i y = f w x − = 输出为 ┇ x2 y xi i x1 j wij w2j ┇ w1j ┇ ┇ wnj yj 输出单元对所有输入数值加权求和，经阈值型输出函数 产生一组输出模式