1.神经网络的模型分类，分别画出网络图，简述其特点。1）前向网络 ：神经网元分层排列，组成输入层，隐含层和输出层。每一层的神经元只能接收前一层神经元的输入。输入模式经过各层的顺次变换后，得到输出层数输出。个神经元之间不存在反馈。感知器和误差反向传播算法中使用的网络都属于这种模型。1） .2）2）反馈网络 ：这种网路结构指的是只有输出层到输入层存在反馈，即每一个输入节点都有可能接受来自外部的输入和来自输出神经元的反馈。这种模式可用来存储某种模式序列，也可以动态时间序列系统的神经网络建模。3）相互结合型网络：属于网状结构，这种神经网络模型在任意两个神经元之间都可能存在连接。信号要在神经元之间反复往返传递，网络处在一种不断改变的状态之中。从某个初态开始，经过若干次变化，才能达到某种平衡状态，根据网络结构和神经元的特性，还有可能进入周期震荡或混沌状态。4）混合型网络 ：是层次型网络和网状结构网络的一种结合。通过层内神经元的相互结合，可以实现同一层内的神经元的横向抑制或兴奋机制，这样可以限制每层内能同时动作的神经元数，或者把每层内的神经元分成若干组，让每组作为一个整体来动作。7.神经网络学习算法有几种，分别画出网络图，简述其特点。1）有导师学习 ：所谓有导师学习就是在训练过程中，始终存在一个期望的网络输出。期望输出和实际输出之间的距离作为误差度量并用于调整权值。1.2）无导师学习 ：网络不存在一个期望的输出值，因而没有直接的误差信息，因此，为实现对网络训练，需建立一个间接的评价函数，一对网络的某种行为趋向作出评价。3、简述神经网络泛化能力。答：人工神经网络容许某些变化，如当输入矢量带有噪声时，即与样本输出矢量存在差异时，其神经网络的输出同样能够准确地呈现出应有的输出。这种能力就成为泛化能力。4、单层 BP网络与多层神经网络学习算法的区别。1）单层神经网络的Delta 学习算法是通过对目标函数NppEE1的极小来实现的，其中E的极小是通过有序地对每一个样本数据的输出误差 Ep的极小化来得到。Delta规则的学习算法就是对012)(21nipjpjytE所定义的目标函数值求梯度得到。2）多层前向传播网络的权系数训练算法是利用著名的误差反向传播学习算法。根据这一算法，训练网络权阵的更新是通过反向传播网路的期望输出（样本输出）与世纪输出的误差来实现的。3、分别叙述模糊控制器四个模块设计内容，并写出设计步骤。答：四个模块为：模糊化过程 、...
