内容安排一、生物神经元二、人工神经网络结构三、神经网络基本学习算法一、生物神经元1.1生物神经元1.2突触的信息处理1.3信息传递功能与特点二、人工神经网络结构2.1人工神经网络(a)阈值单元(b)线性单元(c)(d)非线性单元：Sigmoid函数2.3常见神经元响应函数神经元的模型确定之后，一个神经网络的特性及能力主要取决于网络的拓扑结构及学习方法人工神经网络连接的几种基本形式前向网络(a)从输出到输入有反馈的前向网络(b)用来存储某种模式序列层内互连前向网络(c)限制层内同时动作的神经元；分组功能相互结合型网络(d)权值确定Hebb学习规则误差校正（纠错）学习规则相近（无教师）学习规则人工神经网络连接权的确定通常有两种方法根据具体要求，直接计算，如Hopfield网络作优化计算通过学习得到的。大多数人工神经网络都采用这种方法学习方法是人工神经网络研究中的核心问题DonallHebb根据生理学中条件反射机理，于1949年提出的神经元连接强度变化的规则如果两个神经元同时兴奋(即同时被激活)，则它们之间的突触连接加强a为学习速率，Vi,Vj为神经元i和j的输出Hebb学习规则是人工神经网络学习的基本规则，几乎所有神经网络的学习规则都可以看作Hebb学习规则的变形用已知样本作为教师对网络进行学习学习规则可由二次误差函数的梯度法导出误差校正学习规则实际上是一种梯度方法不能保证得到全局最优解要求大量训练样本，收敛速度慢对样本地表示次序变化比较敏感小结一、生物神经元二、人工神经网络结构三、神经网络基本学习算法下次课程将介绍MP模型和BP模型1.2突触的信息处理2.3常见神经元响应函数用已知样本作为教师对网络进行学习学习规则可由二次误差函数的梯度法导出误差校正学习规则实际上是一种梯度方法不能保证得到全局最优解要求大量训练样本，收敛速度慢对样本地表示次序变化比较敏感