9.1人工神经网络概述一个典型的BP网络由输入层、隐含层、输出层三部分共同组成，如下图所示。由图中所示的网络接关系可以看出，隐含层介于输入层和输出层之间，整个网络无侧向连接，而只有前向连接中间层输入层输出层WatTitWimXitYi+X2+LYitX3tlYitXmtTit一个简化的多层神经网络
9.1 人工神经网络概述 一个典型的BP网络由输入层、隐含层、输出层 三部分共同组成，如下图所示。由图中所示的网 络连接关系可以看出，隐含层介于输入层和输出 层之间，整个网络无侧向连接，而只有前向连接。 一个简化的多层神经网络
9.1人工神经网络概述BP网络也要经过训练才能使用，其“训练集必须是网络在训练后可能遇到的输入中合适样本同样，通常需要进行多次输入训练，BP网络开始训练时，权值都被赋随机数值，然后，给定训练输入，产生输出并按反传训练规则调节各个神经元连接权值。也就是说，求出每个神经元的输出与期望输出之差异，利用该信息逐步调整每个从低层神经元达到该神经元的权值，不断调节以减小误差
9.1 人工神经网络概述 BP网络也要经过训练才能使用，其“训练集” 必须是网络在训练后可能遇到的输入中合适样本。 同样，通常需要进行多次输入训练，BP网络开始 训练时，权值都被赋随机数值，然后，给定训练 输入，产生输出并按反传训练规则调节各个神经 元连接权值。 也就是说，求出每个神经元的输出与期望输出 之差异，利用该信息逐步调整每个从低层神经元 达到该神经元的权值，不断调节以减小误差
9.1人工神经网络概述BP网络的成功之处在于使用了一个由输出层到输入层、再到隐含层逐层逆向传播偏差的误差校正公式，用来修改神经元突触的连接强度也即连接权值。这种算法的普适性较好，可用于三层以上前向网络，这也就是BP网络能够大量应用的重要原因。BP网络最适合于处理那种规律隐含在一大堆数据中的映像逼近问题，特别是处理那种通过学习自适应可调的实时性问题，如模式识别、图像分割、自适应模糊控制等。BP算法是当前人工神经网络技术中最成功的学习算法之一，也是应用最为广泛的学习算法
9.1 人工神经网络概述 BP网络的成功之处在于使用了一个由输出层到 输入层、再到隐含层逐层逆向传播偏差的误差校 正公式，用来修改神经元突触的连接强度也即连 接权值。这种算法的普适性较好，可用于三层以 上前向网络，这也就是BP网络能够大量应用的重 要原因。 BP网络最适合于处理那种规律隐含在一大堆数 据中的映像逼近问题，特别是处理那种通过学习 自适应可调的实时性问题，如模式识别、图像分 割、自适应模糊控制等。BP算法是当前人工神经 网络技术中最成功的学习算法之一，也是应用最 为广泛的学习算法
9.1人工神经网络概述(5) Kohonen神经网络Kohonen网络是一种无监督、自学习、自组织人工神经网络。由生物神经系统理论知，大脑通过感官所接受到的视觉、听觉等外界信息，是通过大脑皮层上的拓扑表象来实现认知过程的。例如，在听觉皮层上就可以分辨出对不同频率产生响应的神经元空间配置这种空间配置按频率对数方式安排，低频使皮层一端的神经元响应，高频则使另一端的神经元响应
9.1 人工神经网络概述 (5) Kohonen神经网络 Kohonen网络是一种无监督、自学习、自组织人 工神经网络。 由生物神经系统理论知，大脑通过感官所接受到 的视觉、听觉等外界信息，是通过大脑皮层上的拓 扑表象来实现认知过程的。例如，在听觉皮层上就 可以分辨出对不同频率产生响应的神经元空间配置， 这种空间配置按频率对数方式安排，低频使皮层一 端的神经元响应，高频则使另一端的神经元响应
9.1人工神经网络概述Kohonen将脑神经的这种空间结构映像外部复杂数据结构的方式进行矢量量化以压缩数据。庆为大脑皮层的二维互联神经网络能表征外部世界高维信息，如下图所示，Kohonen网络就用一个格状平面网络表征输入信息，所有输入都和网格上的每一节点相连，每一个网格节点都是输出节点，它们只和相邻的其他节点相连WKohonen特征映像网络
9.1 人工神经网络概述 Kohonen将脑神经的这种空间结构映像外部复 杂数据结构的方式进行矢量量化以压缩数据。因 为大脑皮层的二维互联神经网络能表征外部世界 高维信息，如下图所示，Kohonen网络就用一个 格状平面网络表征输入信息，所有输入都和网格 上的每一节点相连，每一个网格节点都是输出节 点，它们只和相邻的其他节点相连。 Kohonen特征映像网络