图2.3（c）
（4）相互结合型网络
如图2.3（d）所示，这种网络中任意两个神经元之间都可能有连接，在不含反馈的前向网络中，输入信号一旦通过某个神经元就将输出这个信号的变换值。但是，在相互结合型的网络中，输入信号要在神经元之间反复往返传递，网络处于一种不断改变状态的动态之中。从某初态开始，经过若干次的状态变化，网络才会到达某种稳定的状态，再根据网络的结构和神经元的映射特性，网络还有可能进入周期震荡或者其他的平衡状态，如混沌状态。
 
图2.3（d）
2.4神经网络的分类
由于神经网络在解决复杂问题时能够提供一种相对简单的方法，因此近年来越来越受到人们的关注。神经网络模型是各种各样的，它从不同的角度对生物神经系统进行不同层次的描述和模拟。代表性的网络模型有BP网络、RBF网络、Hopfield网络、自组织特征映射网络等。下面对这几个网络分别进行简单的介绍。
（1）RBF神经网络也叫做径向基函数网络，它是以函数逼近理论为基础而构造的一类前向网络，这类网络的学习等价于在多文空间中寻找训练数据的最佳拟合平面。而径向基函数网络的每个隐层神经元激活函数都构成了拟合平面的一个基函数，因此网络也由此得名。
（2） Hopfield网络是一种单层的网络，令网络由n个单元组成，N1，N2，…,Nn表示n个神经元，它们即是输入单元，又是输出单元。从图中可以看出此网络是一层结构的反馈网络，能处理双极型离散数据及二进制数据。
（3） 自组织特征映射网络也可称为Kohonen网络，或者是Self Oranizing Feature Map(SOFM),它是由芬兰学者Teuvo Kohonen提出的，Kohonen认为，处于空间中不同区域的神经元有不同的分工，当一个神经网络接受外界输入模式时，将会分为不同的反应区域，各区域对输入模式具有不同的响应特征，在输出空间中，这些神经元将形成一张映射图，其中功能相同的神经元靠的近，不同的离得远，它在模式识别、联想存储、样本分类、优化计算、机器人控制等领域中得到广泛的应用。
（4） BP神经网络通常采用基于BP神经元的多层前向神经网络的结构形式。理论证明，具有如图所示结构的BP神经网络，当隐层神经元数目足够多时，可以以任意精度逼近任何一个具有有限间断点的非线性函数。
2.5 神经网络的学习算法
神经网络的学习算法的目的是调整神经元之间的连接权值，来达到整个网络预期的功能的。此算法是基于神经网络中的神经元互联权矩阵是用来存储长期记忆的。因此在人工神经网络特性中，此种方法相较于其他的算法来说更类似于大脑经历一定的训练来开发自身智慧。
按照不同的神经网络的学习环境，通常情况下，学习可以被分为有监督和无监督的学习模式。有监督的学习过程是在神经网络的输入端注入训练的样本数据，并且把相应的期望的输出和网络实际的输出作相应的比较，从而可以得到了一个误差的信号，依靠这个误差的信号来调整控制权值的连接强度，同样的过程经过多次的训练后，最终收敛后，可以得到个确定权值W。而在无监督的学习过程中，不同于之前的学习方式就是事先并不给定某个样本，却直接把神经网络置于学习环境中，这样就把学习工作阶段两个阶段融为了一体。其过程的学习规律变化是服从了连接权值的演变方程： ；此过程就是在选定了初值之后，学习的环境不断能提供x，这样权值W同样也会随之而改变。那么，在平稳环境中，W就能达到某个稳定状态。从上述的分析中，发现具有边学习边工作的特征的无监督学习的确更为相似于人脑学习的过程。 供电系统误动作机理分析+ETAP仿真(6):http://www.youerw.com/tongxin/lunwen_1565.html