神经网络学习方法：常用技巧汇总

神经网络必须通过按照学习方法学习（也称训练），才能用于系统控制，通过学习神经网络才具有模式识别、自适应、自组织和自学习等功能，体现人工神经网络具有智能的主要表现，有了这些功能便可以用作各种用途。

神经网络学习能产生这些功能，主要是通过不断调整网络的权值来实现的。可以用一个简单例子来说明：神经网络学习，首先要有一定的学习准则。如神经网络对手写“A”、“B”两个字母进行识别，规定当“A”输入网络时，应该输出“1”，而当输入为“B”时，输出为“0”。按照这个准则应该是：如果网络作出错误的判决，则通过网络的学习（通过修改权值），应使网络减少下次犯同样错误的可能性。首先，给网络的各连接权值赋予（0，1）区间内的随机值，将“A”所对应的图像模式输入给网络，网络将输入模式加权求和，与门限比较，再进行非线性运算，得到网络的输出。在此情况下，网络输出为“1”和“0”的概率各为50％，也就是说是完全随机的。这时如果输出为“1”（结果正确），则使连接权值增大，以便使网络再次遇到“A”模式输入时，仍然能作出正确的判断。

如果输出为“0”（即结果错误），则把网络连接权值朝着减小综合输入加权值的方向调整，其目的在于使网络下次再遇到“A”模式输入时，减小犯同样错误的可能性。如此操作调整，当给网络轮番输入若干个手写字母“A”、“B”后，经过网络按以上学习方法进行若干次学习后，网络判断的正确率将大大提高。这说明网络对这两个模式的学习已经获得了成功，它已将这两个模式分布地记忆在网络的各个连接权值上。当网络再次遇到其中任何一个模式时，能够作出迅速、准确的判断和识别。一般来说，网络中所含的神经元个数越多，则它能记忆、识别的模式也就越多。(www.xing528.com)

目前神经网络的学习方法有多种，按有无导师来分类，可分为有导师学习、无导师学习和再励学习等几大类。在有导师学习方式中，网络的输出和期望的输出（即教师信号）进行比较，然后根据两者之间的差异调整网络的权值，最终使差异变小。在无导师学习方式中，输入模式进入网络后，网络按照一个预先设定的规则（如竞争规则）自动调整权值，使网络最终具有模式分类等功能。再励学习是介于上述两者之间的一种学习方式。

学习过程首先是神经网络被环境所激励，激励的结果使神经网络发生变化；然后由于变化对于其内在的结构的作用（权值的调整），使得神经网络以一种新的方式对环境进行响应，可归纳为激励→变化→响应。