神经网络几乎与AI同时起步，但30余年来却并未取得人工智能那样巨大的成功，中间经历了一段长时间的萧条。直到80年代，获得了关于人工神经网络切实可行的算法，以及以VonNeumann体系为依托的传统算法在知识处理方面日益显露出其力不从心后，人们才重新对人工神经网络发生了兴趣，才是神经网络理论得到复兴。第一页，共二十页。到目前为止，已经出现许多神经网络模型及相应的学习算法。其中误差逆传播〔ErrorBack-propagation〕算法〔简称BP算法〕是一种较常用的算法。人工神经网络可用于对物群的目标拟合、模式分类和预测。第二页，共二十页。神经网络根本结构——神经元人工神经网络结构和根本原理根本上是以人脑的组织结构和活动规律为背景，它反映料人脑的某些根本特征，是人脑的某些抽象、简化或模仿。神经网络有许多并行运算的功能简单的单元组成，每个神经元有一个输出，它可以连接到许多其它神经元，每个神经元输入有多个连接通路，每个连接通路对应一个连接权系数。第三页，共二十页。第四页，共二十页。X1X2Xny1y2ym输入层节点隐层节点输出层节点第五页，共二十页。这个算法的学习过程，由正向传播和反相传播组成，在正向传播过程中，输入信息从输入层经隐单元层逐层处理，并传向输入层，每一层神经元的状态只影响下一层神经元的状态。如果在输出层不能得到期望得输出，那么转入反向传播，将误差信号沿原来的连接通路返回，通过修改各层神经元的权值，使得误差信号减小，然后再转入正向传播过程，反复迭代，直到误差小于给定的值为止。第六页，共二十页。BP网络的学习过程主要由四局部组成：输入模式顺传播、输出误差逆传播、循环记忆训练、学习结果判别。第七页，共二十页。〔1〕输入模式顺传播根据神经元模型原理，计算中间层各神经元的激活值：〔j=1，2，…p〕式中：wij--输入层至中间层连接权；--中间层单元阀值；P—中间层单元数。jiniijjaWs*1jj第八页，共二十页。激活函数采用S型函数，即这里之所以选S型函数作为BP神经元网络的激活函数是因为它是连续可微分的，而且更接近于生物神经元的信号输入形式。1))exp(1()(xxf第九页，共二十页。阀值在学习过程中和权值一样也不断的被修正。同理可求出输出端的激活值和输出值。设输出层第t个单元的激活值为那么设输出层第t个单元的实际输出值为那么〔t=1,2,…,q〕pjtjjttbvl1*)(ttlfc第十页，共二十页。(2)输出误差...
