第六章 人工神经元网络
学习指南
人工神经元网络可以实现多种复杂的计算，其中相当多的计算与传统的模式
识别要解决的问题是相同的。它的起源也可以追溯到第三章的感知准则函数，(我
们称其为感知器 perceptron)因此在学习人工神经元网络的多种功能时，我们可
以联想到前几章学习过的一些重要概念。但是学习时还要注意它与传统模式识别
处理方法上的不同点，因为它们在解决问题的方法上有很大区别。主要不同点有，
在人工神经元网络中，计算是体现在一种网络结构中实现的，不同的网络结构可
以实现各种很不相同的功能，因此要掌握网络结构的计算方法。另一个不同点是
该网络结构中的参数是通过学习而逐渐修正的。这种学习是类似于感知准则函数
中提倡的学习，即利用错误提供的信息来修正当前的参数，直至网络结构及其参
数实现优化。
人工神经元网络可以实现的功能比传统的模式识别要多一些，如实现输入输
出是非线性关系，用 Hopfield 网络实现联想记忆等。要着重理解人工神经元网
络如何实现这些功能的。
由于人工神经元网络的功能很多，因此已应用到许多不同的领域。对它的各
种技术问题的深入研究也很多，我们学习时要体会以下三种网络结构能实现不同
功能的原理，这三种网络结构是：多层感知器，Hopfield 网络模型和竞争网络。
学习目标
(1) 通过本章学习要掌握人工神经元网络实现各种计算功能的原理，及通过
学习方法确定网络参数的原理；
