神经网络基本类型

神经网络的基本类型与学习算法：

目前已有的数十种神经网络模型，按网络结构划分可归纳为三大类:前馈网络、反馈网络和自组织网络。

前馈神经网络则是指神经元分层排列，分别组成输入层、中间层和输出层。每一层的神经元只接受来自前一层神经元的输入，后面的层对前面层没有信号反馈。输入模式经过各层的顺序传播，最后在输出层上得到输出。这类网络结构通常适于预测、模式识别及非线性函数逼近，一般典型的前向神经网络基于梯度算法的神经网络如BP网络，最优正则化方法如SVM，径向基神经网络和极限学习机神经网络。

反馈网络又称回归网络，输入信号决定反馈系统的初始状态，系统经过一系列状态转移后逐渐收敛于平衡状态，因此，稳定性是反馈网络最重要的指标之一，比较典型的是感知器网络、Hopfield神经网络、海明祌经网络、小波神经网络双向联系存储网络(BAM)、波耳兹曼机。

自组织神经网络是无教师学习网络，它模拟人脑行为，根据过去经验自动适应无法预测的环境变化，由于无教师信号，这类网络通常采用竞争原则进行网络学习。