神经网络的拓扑结构及其作用

由于人工神经元有多种类型，神经元间的连接也有多种形式，因此人工神经网络也有多种类型。从神经元间的连接方式亦即神经网络的拓扑结构来看，常见的神经网络结构形式（刘增良和刘有才，1996；赵振宇和徐用慰，1996）如下。①全互连型结构：网络中每个神经元都与其他神经元有连接；②层次型结构：网络中的神经元分有层次，各层神经元间依次相连（有时层内神经元之间也可有连接，并可有层间反馈）；③网孔型结构：网络中的神经元构成一个有序阵列，每一神经元只与其近邻神经元相连；④区域互连结构：网络中的神经元分为几组，以确定的组内组间连接原则构成网络。

已提出的神经网络之所以千差万别，主要是因为对其不同的功能要求和实现要求所决定的。神经网络需完成的特定信息处理功能要求有与之相适应的网络。在智能模拟工程系统中，希望神经网络能予以实现的功能主要是推理功能、联想存储功能、学习功能和模式识别功能等。而为实现这些功能所设计的网络，目前主要有前馈型网络、反馈型动态网络和自组织网络三大类。

前馈型网络是一类单方向层次型网络模块。例如，感知器、前馈型BP 网络、RBF（Radial Basis Function）网络、GMDH（Group Method of Data Handling）网络。它包括输入层、输出层和中间隐蔽层（可有一层或多层）。从学习的观点看，前馈型网络是一类强有力的学习系统，其结构简单且易于编程。而从信息处理观点看，它主要是一类信息“映射”处理系统，可使网络实现特定的刺激，反应式的感知、识别和推理等。(www.xing528.com)

反馈型动态网络是一类可实现联想记忆及联想映射的网络。例如，Hopfield网络、CG（Cohen-Grossberg）网络、BSB（Brain State in a Box）网络、BAM（Bidirectional Associative Memory）网络、回归BP网络、Boltzmann Machine网络。这一颇具吸引力的特性使得它在智能模拟中被广泛关注。反馈型动态网络可用于信息处理系统在于它具有稳定的吸引子。在神经网络理论中，我们把反馈型动态网络对一个经验模式或实例的稳定记忆状态，称为此神经网络的一个稳定吸引子，而把能激发此吸引子从而引起预定的联想和回忆的输入条件，称为此吸引子的吸引域。神经网络对输入信息进行处理的过程常常是一个寻找出记忆中的一个对应稳定吸引子的过程。一旦外界输入进入神经网络中某稳定吸引子的吸引域（通常此输入仅为原有记忆的一部分并带有不精确信息），神经网络中神经元的状态最终会稳定在此吸引子的状态。而其输出即为按预定模式进行联想后原有记忆的内容或预定信息“转换”的结果。神经网络也即以此来完成要求的识别与推理等“思维”过程。

自组织神经网络是无教师学习网络，它模拟人类根据过去经验自动适应无法预测的环境变化。因为没有教师信号，这类网络通常利用竞争的原则进行网络的学习。最常见的3种自组织神经网络为自适应共振理论（Adaptive Resonance Theory，ART）网络、自组织特征映射（Self-organizing Feature Map，SFM）网络和CPN（Counter Propagation Network）模型。