7.2.4神经网络的学习 学习： 神经网络的最重要特征之一。 实质： 同一个训练集的样本输入输出模式反复作用于网络，网 络按照一定的训练规则自动调节神经元之间的连接强度或拓 扑结构，使实际输出满足期望的要求或者趋于稳定。 典型的权值修正方法：Hbb学习规则、误差修正学习 1.Hebb学习规则 如果神经网络中某一神经元与另一直接与其相连的神经 元同时处于兴奋状态，那么这两个神经元之间的连接强度应 该加强
7.2.4 神经网络的学习 学习： 同一个训练集的样本输入输出模式反复作用于网络，网 络按照一定的训练规则自动调节神经元之间的连接强度或拓 扑结构，使实际输出满足期望的要求或者趋于稳定。 实质： 1．Hebb学习规则 典型的权值修正方法： Hebb学习规则、误差修正学习 如果神经网络中某一神经元与另一直接与其相连的神经 元同时处于兴奋状态，那么这两个神经元之间的连接强度应 该加强。 神经网络的最重要特征之一
XI Wlj X2 w2j Xn 神经元间的连接 w(t+1)=w(t)+7[y,(t)y,(t)] w什)：修正一次后的某一权值； 1:学习因子，表示学习速率的比例常数； y,y:分别表示时刻第个和第个神经元的状态（输出）。 由y,(t)=x,(t)有： w(t+1)=w(t)+7Ly,(t)x,(t)]
w (t 1) w (t) [ y (t) y (t)] ij ij j i wij(t+1)：修正一次后的某一权值； η：学习因子，表示学习速率的比例常数； yj(t)，yi(t)：分别表示t时刻第j个和第i个神经元的状态（输出）。 由 yi(t) xi(t) 有： w (t 1) w (t) [ y (t)x (t)] ij ij j i 神经元间的连接
2.6学习规则 1)选择一组初始权值w); (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，阈值可视为输入恒为（一1）的一个权值； w,(t+1)=w()+7ld,-y,(t]x,(t) 式中，1：学习因子 山，y,:第个神经元的期望输出与实际输出： x:):第个神经元的第i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) ij ij 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