神经网络的学习主要是指使用学习算法来调整神经元间的连接权,使得网路输出更加符合实际。学习算法分为监督学习(Supervised Learning)与
无监督学习(Unsupervised Learning)两类: 1、有监督学习算法将一组训练集(Training Set)送入网络,根据网络的实际输出与期望输出间的差别来调整连接权。有监督学习算法的主要步骤包括: a) 从样本集合中取出一个样本(Ai,Bi); b) 计算网络的实际输出O; c) 求D = Bi – O; d) 根据D调整权矩阵W; e) 对每个样本重复上述过程,直到对整个样本集来说,误差不超过规定范围。 BP算法就是一种出色的有监督学习算法。 2、无监督学习抽取样本集合中蕴含的统计特性,并以神经元之间的连接权的形式存于网络中。Hebb学习率是一种典型的无监督学习算法。