qq_42059684的博客

表2三种神经网络的特点特点BP神经网络RBF神经网络Elman神经网络优点：非线性映射能力强具有最佳逼近的特性全局稳定性高较好地自学习和自适应能力学习过程收敛速度快且分类能力好适应时变特性的能力强缺点：易陷入局部极值要求数据必须充分易陷入局部极值易于过拟合且训练速度慢把一切推理都变成了数值计算训练速度慢且训练效果难以最优参考文献。

BP(back propagation)神经网络1986年由美国人工智能专家鲁姆哈特提出的一种前馈的单向传播的多层前向的简单网络模型，很多现有的网络模型都是基于BP网络演化而来的，因此研究学习BP网络的核心算法梯度下降法及网络模型极其重要。网络特点是神经元分层排列，网络模型分为功能不同的三层，同层的节点神经元没有联结，因而没有信息交流。从样本数据输入节点后，每一层内的神经元的输出经过一定的非线性数学变换传送到下一层。这种功能过程一般被形象称为网络连接权重，可以达到对信息的增强、 减弱或抑制输出的作用。

Elman神经网络(Elman-NN)于1990年由Jeffrey. L. Elman首次提出，是一种典型的动态递归型网络，该网络在BP神经网络的原有基本结构上增加了一个相当于延时算子的承接层，使网络具备了记忆功能，能适应动态变化的数据输入。传统Elman神经网络的结构一般分为4层，包括输入层、隐含层、承接层和输出层。输入层和输出层分别仅起到信号传输和线性加权的作用；隐含层的传递函数通常情况下采用Sigmoid函数，即。