2、瓶颈时期

六十年代，在对 RBF 神经网络研究的兴起过了一段时间后，学者们普遍相信只要将 建立一个由功能强大的神经元相互联结的神经网络，就可以模拟动物的大脑来解决任何现 实应用中碰到的实际的问题，但大量的理论难题和技术难题马上随之而来，以及一些主观 客观的因素出现，种种困难使得人们对神经网络的研究开始进了瓶颈时期。二十世纪六十 年代美国著名人工智能学者 Minsky 和 Papert 对 Rosenblatt 的成果进行了深入研究，并 指出了感知机处理多种混合问题的能力非常有限，甚至连神经网络实现逻辑异或这样的问 题也无法实现，虽然引入隐藏层神经元以增加神经元的层次可以加强神经网络处理上述逻 辑问题的能力，但研究因为引入新神经元而产生的新的结构的神经网络所对应的训练方法 无疑又增加了大量的工作，其中包括系统的运行速率相应的也会收到影响。此外，当时人 工智能的课题中出现了研究功能模拟的新的方向，随之出现的主要进行处理知识信息的知 识工程掀起了另一波研究浪潮，大有盖过神经网络的研究的势头，微电子技术也趁此势头 快速发展，这些都给人工智能比神经网络更快的从实验室走向实际应用提供了机会，以上 种种因素共同抑制了 RBF 神经网络的发展，使其进入低潮时期。

3、繁盛时期

伴随着故障诊断技术在七八十年代迅速发展[3]，70 年代末期，当时所制造的传统机器 模型与现实人的模型还是具有很大差距的，这就决定了人工智能在实际应用中无法实现。 计算机的学习能力是有限的，对于一些简单的能明确定义的知识，计算机可以进行处理， 但是对于那些定义不明确，背景模糊，环境十分复杂的信息或算法，计算机则很难进行 处理。人们将神经生理学，心理学和计算机科学相结合后发现，人脑就是一个由神经元 相互联结而构成的，结构复杂且功能强大的神经网络系统，它可以作为新的智能机模板 的研究模板，科学家们根据人类大脑的特性将 RBF 神经网络研究方向转向到数据流和并 行结构体系相结合的研究。美国加州理工学院生物物理学家 J.Hopfield 教授于二十世纪 八十年代发表在美国科学院院刊上了两篇文章，标志着 RBF 神经网络的研究高潮时期的 到来。1982  年他提出了名为 Hopfield 的离散型二值神经网络模型，各神经元的激励函数双极值函数，由[0 1]和[-1 1]表示激活和抑制状态，最重要的是该模型具有联想和记忆能 力，J.Hopfield 教授在该离散型二值神经网络模型中加入了能量函数，首次将 RBF 神经 网络和动力学两者建立起联系，并在非线性动力学的领域内来寻找该神经网络所具有的 特性，并发现了神经网络中的连接权的另一个的功能——储存神经网络中的信息。这一 成果是 RBF 神经网络发展跨时代的标志。之后的随机机制，连接机制，反向传播算法等 成果的出现，加上其他种种因素，使得人工神经网络进入繁盛的高速发展时期，迄今为 止有十几种神经网络模型应用于不同的领域。

目前神经网络已发展成具有独特特性的一种拓扑结构，其具有如下特性：（1）结构化， 它由一定数量的单元—神经元彼此联结而成。它的诸神经元之间的连接方式，包括连接 关系和连接权，依据要实现的目的来设计所需的组织结构，并以此来构成特定的模型。

（2）分布式，全系性和鲁棒性，如上文所言人工神经网络模型将信息储存在每个连接权 内，即它的信息储存是分布式的，也可称为全息式的，鲁棒性是指系统在异常工作状态 下能保持正常运行能力的特性，每个神经元是相互联结但又相互独立的，因此整个结构 不会因一个神经元的损坏而严重影响整个神经网络的总体性能；（3）并行性，如上文所 言各个神经元之间是相互联结而又相互独立的，这就使得它们能独立地从与其相连的输 入端采集输入并单独计算和输出，再传递给其他神经元，同一层神经元并不能相互影响， 这种高速处理信息能力的特性成为并行性；（4）非线性，一个完成的神经网络中的神经 元的连接方式有线性连接和非线性连接两种，由神经元非线性连接构成的的神经网络可 以解决多种实际问题，这使得神经网络在工程的应用方面前景广阔。