[发明专利]一种神经网络及该神经网络的学习方法

权利要求书

1.一种神经网络，其特征在于：该神经网络由三层网络组成，包括输入层、隐含层和输出层，且各层之间实行全连接；

输入层，其中的神经元采用S型变换函数；

隐含层，神经网络中的隐含层有一个或多个隐层；

输出层，输出层中的神经元采用纯线性变换函数；

该神经网络的输入模式由输入层经隐含层向输出层的模式顺传播，网络的希望输出与网络实际输出之差的误差信号由输出层经隐含层向输入层逐层修正连接权的误差逆传播，并由模式顺传播与误差逆传播的反复交替进行网络记忆训练。

2.根据权利要求1所述的一种神经网络，其特征在于：所述S型变换函数为：

f(x)＝1/(1+e^-x)。

3.根据权利要求1所述的一种神经网络，其特征在于：所述隐含层中具有R个输入的基本神经元模型，每个输入都通过一个适当的权值ω与神经元连接，神经元的输出表示为：

a＝f(ω*R,b)。

4.一种神经网络的学习方法，其特征在于：该神经网络的学习方法包括以下步骤：

S1：输入信息从输入层经过隐含层逐层处理并计算出各神经单元间的实际输出值；

S2：在输出层不能得到希望的输出时，逐层计算实际输出与要求输出的误差值，以便根据此误差值调整权值；

S3：从后向前修正各层次之间的联系权重，在不断学习和小修正的过程中，使神经网络学习误差达到最小。

5.根据权利要求4所述的一种神经网络的学习方法，其特征在于：所述步骤S1中，在计算实际输出值时，设有N个神经元互连，每个神经元的活性状态a_i(i＝1，2,3…，N)，取0或1，表示抑制或兴奋，每个神经元的状态按下式所表示的规则受其他神经元的制约，

其中，θ_i为与值，W_ij为神经元i与j之间突触连接强度。

6.根据权利要求4所述的一种神经网络的学习方法，其特征在于：所述步骤S2中，在计算实际输出与要求输出的误差值时，通过感知器表示一个神经元的运算特性，其输入状态向量记为：

Xⁿ＝(X₁,X₂,…,X_n)

其中，每个输入分量X_i为i个神经元的状态，记

ωⁿ＝(ω₁,ω₂,…,ω_n)

为权向量，其中ω_i为第i个神经元与感知器的连接权系数。