网络态势神经学习规则有哪些类型

网络态势神经学习规则有以下三种类型：

• 相关学习规则：这种规则只根据连接间的激活水平来改变权系数，常用于自联想网络，如Hopfield网络。

• 纠错学习规则：这种规则根据输出节点的外部反馈来改变权系数。它与梯度下降法等效，按局部改善最大的方向一步步进行优化，从而最终找到全局优化值。感知器学习就采用这种纠错学习规则，如BP算法，以及用于统计性算法的模拟退火算法。

• 无教师学习规则：它是一种对输入检测进行自适应的学习规则。网络的自组织学习算法即属于这一类。

网络态势神经学习网络预测模型有以下这些：

• 线性神经网络：线性神经网络由一个或多个线性神经元组成，是一种层次性前向网络，其传递函数为线性函数，学习算法为最小均方（LMS）算法是通过调整线性神经网络的权重和阈值，使均方差最小。线性神经网络适用于对线性关系的数据进行预测。

• BP神经网络：反向传播网络，是指基于误差反向传播算法的多层前向神经网络，BP神经网络通常采用基于BP神经元的多层前向神经网络结构形式，由输入层、若干个隐含层和输出层所构成，各层次之间的神经元形成全互联连接，各层次内的神经元之间没有连接。当供给网络一组学习样本后，神经元的激活值从输入层经过各隐含层向输出层传播，输出层的神经元获得输出。然后以期望输出和实际输出的误差为反方向，由输出层经过各隐含层到输入层，调节、修正网络连接权值。随着这种根据误差逆向传播来不断修正权值，网络对输入模式的适应性不断上升。

• Elaman神经网络：是一种层次性反馈网络，一般分为四层输入层、中间层（隐含层）、承接层和输出层，传递函数可以采用线性或非线性函数，各层连接类似于前向网络。承接层用来记忆隐含层单元前一时刻的输出值，可视为一个一步延时算子。因此把该网络用作流量中非线性关系数据预测的网络单元可以保证流量的非平稳性特征。

• Hopfield神经网络：一种循环神经网络，它可用作连接存储器的互连网络。它从输出到输入是有反馈的连接，主要可分为离散型和连续型两种类型。由于其输出端到输入端是有反馈的，所以Hopfield网络在输入的激励下会产生不断变化的状态。当有输入之后，可以求得输出，这个输出反馈到输入再产生新的输出，循环往复。如果Hopfield网络是一个能收敛的稳定网络，那么这个反馈与迭代的计算过程所产生的变化会越来越小，一旦到达稳定平衡状态，网络就会输出一个稳定的恒值。对于一个Hopfield网络来说，关键在于确定它在稳定条件下的权系数。

• Kohonen神经网络：Kohonen模型的思想在本质上是希望解决有关外界信息在人脑中自组织地形成概念的问题。对于一个系统来说，就是要解决一个系统在受外界信息作用时在内部自组织地形成对应表示形式的问题，这其中涉及神经网络的权系数调整。以发出信号的神经元为圆心，对近邻的神经元的交互作用表现为兴奋性侧反馈；同时以发出信号的神经元为圆心，对远邻的神经元的交互作用表现为抑制性侧反馈。这种规则说明近邻者相互激励，而远邻者相互抑制。自组织特征映射网络学习正是以此为理论基础而产生的。