一种神经网络及该神经网络的学习方法技术

本发明专利技术公开了计算机技术领域的一种神经网络，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；一种神经网络的学习方法，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；S2：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：使神经网络学习误差达到最小，本发明专利技术可采用简单的神经网络实现联想记忆，网络单元间的连接是固定不变的，由矢量外积构成连接矩阵确定，可不必再进行反复的练习，且无需对输入矢量进行预处理，可直接进入搜索过程，省去编码和解码工作，采用并行处理方式，效果高。

【技术实现步骤摘要】
一种神经网络及该神经网络的学习方法
本专利技术涉及计算机
，具体为一种神经网络及该神经网络的学习方法。
技术介绍
人的思维主要可概括为逻辑和形象思维两种，以规则为基础的知识系统可被认为模拟人的逻辑思维。神经元网络则可被认为是探索人的形象思维的过程。神经元网络是生理学上的真实人脑神经网络的结构和功能，以及若干基本特性的某种理论现象，经过简化和模拟而构成的一种信息处理系统。在神经元网络学习过程中，需要进行反复的练习，学习方法较为复杂，为此，我们提出了一种神经网络及该神经网络的学习方法投入使用，以解决上述问题。
技术实现思路
本专利技术的目的在于提供一种神经网络及该神经网络的学习方法，以解决上述
技术介绍
中提出的在神经元网络学习过程中，需要进行反复的练习，学习方法较为复杂的问题。为实现上述目的，本专利技术提供如下技术方案：一种神经网络，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本文档来自技高网...

【技术保护点】
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。

【技术特征摘要】
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...

【专利技术属性】
技术研发人员：何伟娜，王伟，李真，李亚丽，梁华国，马丽，褚龙现，刘建芳，黄淼，郑浩，张国平，王魁祎，鲁亚峥，孙科，罗坤，王翠巧，杜建莹，史丽珂，吴新宇，肖梦雪，翟金运，舒娇娇，高留洋，宋会方，邵英萍，郭佳伟，王韵谱，樊毓东，马子超，李逸珂，黄阳阳，李雪洋，刘姗，王程龙，肖慧峰，徐海涛，姜世威，雷涵哲，李培然，
申请(专利权)人：平顶山学院，
类型：发明
国别省市：河南,41