人工神经网络分类

   人工神经网络是一个非线性的有向图，图中含有可以通过改变权大小来存放模式的加权边，并且可以从不完善的或未知的输入找到模式。从另一个方面说神经网络就像一个网框，似乎任何东西都可以往里面装，但是，由于模型和算法的局限性，神经网络在精度的定位上并不是十分的高，也限制了它的应用。

   人工神经网络最具吸引力的特点是他的学习能力，它能够学会它可以表达的任何东西。人工神经网络的学习过程就是对他的训练过程。所谓训练，就是在将样本向量构成的样本集合输入到人工神经网络中，按照一定的方式去调整神经元之间的连接权；使得网络能将样本集的内涵以连接权矩阵的方式储存起来。从而使得人工神经网络在接受输入时能够给出适当的输出。

  根据确定性和不确定性来看，人工神经网络可分为确定和（非确定）模糊神经网络算法。模糊神经网络算法的基本思想是：从网络中随机选出一个连接权，对连接权提出一个伪随机调整量，当用此调整量对所选的连接权进行修改后，如果被认为这个修改改进了网络的性能，则保留此调整。被认为在这里表示出了接受那些直接改善网络的性能的调整外，还应按照一定的概率接受那些使网络的性能暂时变坏，但是在总趋势上确是在改善网络的性能的调整。

  要使网络具有可塑性，必须实现4项功能：1，对样本的分类功能，2分类的识别功能，3比较功能 4类的建立功能。如果一个神经网络具备了以上的功能，就能在使用中不断的感知大量的信息，从中抽取有价值的内容，对他们进行分类加工，并在不破坏原有存储信息的前提下，存储新的内容，不断的丰富自己的知识，增加自己的功能。