学习指南
人工神经元网络可以实现多种复杂的计算，其中相当多的计算与传统的模式识别要解决的问题是相同的。它的起源也可以追溯到第三章的感知准则函数，(我们称其为感知器perceptron)因此在学习人工神经元网络的多种功能时，我们可以联想到前几章学习过的一些重要概念。但是学习时还要注意它与传统模式识别处理方法上的不同点，因为它们在解决问题的方法上有很大区别。主要不同点有，在人工神经元网络中，计算是体现在一种网络结构中实现的，不同的网络结构可以实现各种很不相同的功能，因此要掌握网络结构的计算方法。另一个不同点是该网络结构中的参数是通过学习而逐渐修正的。这种学习是类似于感知准则函数中提倡的学习，即利用错误提供的信息来修正当前的参数，直至网络结构及其参数实现优化。
人工神经元网络可以实现的功能比传统的模式识别要多一些，如实现输入输出是非线性关系，用Hopfield网络实现联想记忆等。要着重理解人工神经元网络如何实现这些功能的。
由于人工神经元网络的功能很多，因此已应用到许多不同的领域。对它的各种技术问题的深入研究也很多，我们学习时要体会以下三种网络结构能实现不同功能的原理，这三种网络结构是：多层感知器，Hopfield网络模型和竞争网络。
学习目标
(1) 通过本章学习要掌握人工神经元网络实现各种计算功能的原理，及通过学习方法确定网络参数的原理；
(2) 通过三种典型的人工神经元网络结构：前馈网络、Hopfield网络以及竞争网络，了解利用不同结构实现不同计算的原理；
(3) 了解前馈网络能实现的基本功能——输入与输出之间的非线性映射，掌握误差回传算法的原理；
(4) 了解Hopfield网络实现模式存储的工作原理；
(5) 从各种网络工作原理与学习方法的学习，掌握人工神经元网络的工作特点与通过学习确定参数的方法。
本章要点
(1) 人工神经元的定义及典型结构与功能
(2) 多层感知器(前馈网络)能实现非线性的原理
(3) 多层感知器的基本学习方法
(4) Hopfield网络为什么能实现存储模式的功能
(5) 竞争网络的功能及网络结构
(6) 用人工神经元网络确定数据集的主分量方法
(7) 自组织映射网络的工作原理
本章难点
(1) 为什么单层感知器只能实现线性分类器的功能，而双层的感知器就可以实现“异或”运算等复杂一些的功能？
(2) 误差回传算法是如何将感知器准则函数学习方法推广到多层感知器的学习中去的？
(3) Hopfield网络为什么能存储模式，为什么具有联想记忆功能？联想记忆与按地址存储的不同点。
(4) 为什么引入竞争机制？ |
