神經網路演算法是什麼

　　神經網路演算法是指邏輯性的思維是指根據邏輯規則進行推理的過程；神經網路的研究內容相當廣泛，反映了多學科交叉技術領域的特點，主要的研究工作集中在生物原型研究、建立理論模型、網路模型與演算法研究、人工神經網路應用系統等方面；生物原型研究：從生理學、心理學、解剖學、腦科學、病理學等生物科學方面研究神經細胞、神經網路、神經系統的生物原型結構及其功能機理；建立理論模型：根據生物原型的研究，建立神經元、神經網路的理論模型；網路模型與演算法研究：在理論模型研究的基礎上構作具體的神經網路模型，以實現計算機模擬或準備製作硬體；人

　　1、BP（Back Propagation）網路是1986年由Rumelhart和McCelland為首的科學家小組提出，是一種按誤差逆傳播演算法訓練的多層前饋網路，是應用最廣泛的神經網路模型之一。BP網路能學習和存貯大量的輸入-輸出模式對映關係，而無需事前揭示描述這種對映關係的數學方程。它的學習規則是使用最速下降法，透過反向傳播來不斷調整網路的權值和閾值，使網路的誤差平方和最小。BP神經網路模型拓撲結構包括輸入層（input）、隱層(hide layer)和輸出層(output layer)。

　　2、BP神經網路演算法是在BP神經網路現有演算法的基礎上提出的，是透過任意選定一組權值，將給定的目標輸出直接作為線性方程的代數和來建立線性方程組，解得待求權，不存在傳統方法的區域性極小及收斂速度慢的問題，且更易理解。

　　《人工神經網路原理》介紹了人工神經網路的基本理論，系統地闡述了六種典型的人工神經網路模型，即早期的感知機神經網路、自適應線性元件神經網路、誤差反向傳播神經網路、Hopfield神經網路、B0ltzmann機和自適應共振理論神經網路，以及它們的網路結構、學習演算法、工作原理及應用例項，為讀者深入瞭解和研究人工神經網路奠定了基礎。