人工神经网络综述
bp神经网络的应用综述
bp神经网络的应用综述近年来，人工神经网络（ANN）作为一种神经网络形式在不断发展，因其计算能力强，对现实世界较好地识别和适应能力，已得到越来越广泛的应用，其中，BP神经网络是最典型的人工神经网络之一。
BP神经网络是指以马尔可夫随机过程为基础的反向传播算法，具有自组织学习、泛化、模糊推理的特点，具有非常广泛的应用场景。
它可以用来解决实际问题。
首先，BP神经网络可以用来解决分类问题。
它可以根据给定的输入向量和输出向量，训练模型以分类相关的输入特征。
这种模型可以用来解决工业控制问题、专家系统任务等。
例如，BP神经网络可以用来识别照片中的面孔，帮助改进自动门的判断等。
此外，BP神经网络还可以用于计算机视觉，即以计算机图像识别的形式进行图像处理。
通常，计算机视觉技术需要两个步骤，即识别和分析。
在识别步骤中，BP神经网络可以被用来识别图片中的特征，例如物体的形状、大小、颜色等；在分析步骤中，BP神经网络可以用来分析和判断图片中的特征是否满足要求。
此外，BP神经网络还可以用于机器人技术。
它可以用来识别机器人环境中的物体，从而帮助机器人做出正确的动作。
例如，利用BP神经网络，机器人可以识别障碍物并做出正确的行动。
最后，BP神经网络还可以用于未来的驾驶辅助系统中。
这种系统可以利用各种传感器和摄像机，搜集周围环境的信息，经过BP神经网络分析，判断当前环境的安全程度，及时采取措施，以达到更好的安全驾驶作用。
综上所述，BP神经网络具有自组织学习、泛化、模糊推理的特点，拥有非常广泛的应用场景，可以用于分类问题、计算机视觉、机器人技术和驾驶辅助系统等。
然而，BP神经网络也存在一些问题，例如训练时间长，需要大量的训练数据，容易受到噪声攻击等。
因此，研究人员正在积极改进BP神经网络，使其能够更好地解决各种问题。
人工智能文献综述10000字
人工智能文献综述10000字人工智能（Artificial Intelligence，AI）是指通过模拟、延伸和扩展人类智能的技术和方法。
人工智能已经渗透到了各个领域，如医疗、金融、交通等。
本文将对人工智能领域的一些重要文献进行综述，以期了解目前人工智能领域的研究进展和热点。
1. "Deep Residual Learning for Image Recognition" (Kaiming He, Xiangyu Zhang, Shaoqing Ren, Jian Sun, 2016)这篇论文提出了一种新的深度残差网络（Deep Residual Network，ResNet）结构，通过引入残差学习的方法解决了深度神经网络的退化问题。
该论文在ImageNet数据集上取得了当时最先进的结果，为深度学习的发展做出了重要贡献。
2. "Playing Atari with Deep Reinforcement Learning" (Volodymyr Mnih, Koray Kavukcuoglu, David Silver, Alex Graves, Ioannis Antonoglou, Daan Wierstra, Martin Riedmiller, 2013)这篇论文提出了一种基于深度强化学习的方法，将深度神经网络应用于Atari游戏的自动游戏玩家训练中。
这种方法通过将图像作为输入，直接从原始像素中学习游戏策略，取得了比之前所有方法更好的结果。
这是深度强化学习在游戏领域的开创性工作。
3. "Generative Adversarial Networks" (Ian J. Goodfellow,Jean Pouget-Abadie, Mehdi Mirza, Bing Xu, David Warde-Farley, Sherjil Ozair, Aaron Courville, Yoshua Bengio, 2014)这篇论文提出了一种新的生成模型，称为生成对抗网络（Generative Adversarial Networks，GANs）。
(完整word版)神经网络历史发展及应用综述个人整理(word文档良心出品)
人工神经网络历史发展及应用综述1、引言人类为了生存在改造探索自然的过程中，学会利用机械拓展自身的体力，随着对自然认识的不断深入，创造语言，符号，算盘、计算工具等来强化自身脑力。
复杂的数字计算原本是靠人脑来完成的，为了摆脱这种脑力束缚发明了计算机。
其数字计算能力比人脑更强，更快、更准。
计算机的出现，人类开始真正有了一个可以模拟人类思维的工具，期盼可以实现人工智能，构造人脑替代人类完成相应工作。
要模拟人脑的活动，就要研究人脑是如何工作的，要怎样模拟人脑的神经元。
人脑的信息处理具有大规模并行处理、强容错性和自适应能力、善于联想、概括、类比和推广的特点，多少年以来，人们从生物学、医学、生理学、哲学、信息学、计算机科学、认知学、组织协同学等各个角度企图获悉人脑的工作奥秘，寻求神经元的模拟方法。
在寻找上述问题答案的研究过程中，从20世纪40年代开始逐渐形成了一个新兴的边缘性交叉学科，称之为“神经网络”，是人工智能、认知科学、神经生理学、非线性动力学、信息科学、和数理科学的“热点”。
关于神经网络的研究包含众多学科领域，涉及数学、计算机、人工智能、微电子学、自动化、生物学、生理学、解剖学、认知科学等学科，这些领域彼此结合、渗透，相互推动神经网络研究和应用的发展。
2、定义思维学普遍认为，人类大脑的思维有三种基本方式，分为抽象（逻辑）思维、形象（直观）思维和灵感（顿悟）思维。
逻辑性的思维是根据逻辑规则进行推理的过程，这一过程可以写成指令，让计算机执行，获得结果。
而直观性（形象）的思维是将分布式存储的信息综合起来，结果是忽然间产生想法或解决问题的办法。
这种思维方式的有以下两个特点：一是信息通过神经元上的兴奋模式分布储在网络上；二是信息处理通过神经元之间同时相互作用的动态过程来完成的。
人工神经网络就是模拟第二种人类思维方式。
人工神经网络是由大量具备简单功能的人工神经元相互联接而成的自适应非线性动态系统。
虽然单个神经元的结构和功能比较简单，但大量神经元连接构成的网络系统行为却异常复杂。
BP神经网络及深度学习研究-综述(最新整理)
BP神经网络及深度学习研究摘要：人工神经网络是一门交叉性学科，已广泛于医学、生物学、生理学、哲学、信息学、计算机科学、认知学等多学科交叉技术领域，并取得了重要成果。
BP（Back Propagation）神经网络是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。
本文将主要介绍神经网络结构，重点研究BP神经网络原理、BP神经网络算法分析及改进和深度学习的研究。
关键词：BP神经网络、算法分析、应用1 引言人工神经网络（Artificial Neural Network，即ANN ），作为对人脑最简单的一种抽象和模拟，是人们模仿人的大脑神经系统信息处理功能的一个智能化系统，是20世纪80 年代以来人工智能领域兴起的研究热点。
人工神经网络以数学和物理方法以及信息处理的角度对人脑神经网络进行抽象，并建立某种简化模型，旨在模仿人脑结构及其功能的信息处理系统。
人工神经网络最有吸引力的特点就是它的学习能力。
因此从20世纪40年代人工神经网络萌芽开始，历经两个高潮期及一个反思期至1991年后进入再认识与应用研究期，涌现出无数的相关研究理论及成果，包括理论研究及应用研究。
最富有成果的研究工作是多层网络BP算法，Hopfield网络模型，自适应共振理论，自组织特征映射理论等。
因为其应用价值，该研究呈愈演愈烈的趋势，学者们在多领域中应用[1]人工神经网络模型对问题进行研究优化解决。
人工神经网络是由多个神经元连接构成，因此欲建立人工神经网络模型必先建立人工神经元模型，再根据神经元的连接方式及控制方式不同建立不同类型的人工神经网络模型。
现在分别介绍人工神经元模型及人工神经网络模型。
1.1 人工神经元模型仿生学在科技发展中起着重要作用，人工神经元模型的建立来源于生物神经元结构的仿生模拟，用来模拟人工神经网络[2]。
人们提出的神经元模型有很多，其中最早提出并且影响较大的是1943年心理学家McCulloch和数学家W. Pitts在分析总结神经元基本特性的基础上首先提出的MP模型。
神经网络最新发展综述
神经网络最新发展综述
深度神经网络（Deep Neural Network，DNN）是近十年来以快速发展
著称的人工智能领域的重要技术，它模仿了人脑神经元之间的信息传播机制，通过模拟人脑的活动实现智能。
深度神经网络在语音识别、自然语言
处理、图像处理、模式识别、机器人、认知计算等方面取得了重大成果，
得到越来越广泛的应用。
DNN的最新发展可分为三个方面：一是模型架构发展，包括Convolutional Neural Network（CNN）、Recurrent Neural Network （RNN）、Generative Adversarial Network（GAN）等。
二是针对计算机
视觉和自然语言处理应用的模型改进，包括普通应用网络架构，如ResNet、Inception、DenseNet等模型架构；RNN模型的改进，如LSTM、GRU等模型架构；以及GAN模型架构的研究，如DCGAN、WGAN等。
三是应
用DNN技术的新领域，涉及社交媒体安全、无人驾驶、医疗诊断、金融风
控等各个行业。
近几年来，深度神经网络技术发展迅速，应用越来越广泛，也见证了
它的发展势头。
对于完善深度神经网络模型，需要解决许多关键科学问题，研究者持续对深度神经网络模型进行精细化研究、优化、细节调整，以应
对新的应用场景，从而更好地利用深度神经网络的能力。
未来，深度神经网络技术的发展将继续加速。
人工神经网络综述论文
人工神经网络的最新发展综述摘要:人工神经网络是指模拟人脑神经系统的结构和功能,运用大量的处理部件,由人工方式建立起来的网络系统。
该文首先介绍了神经网络研究动向，然后介绍了近年来几种新型神经网络的基本模型及典型应用,包括模糊神经网络、神经网络与遗传算法的结合、进化神经网络、混沌神经网络和神经网络与小波分析的结合。
最后,根据这几种新型神经网络的特点,展望了它们今后的发展前景。
关键词:模糊神经网络;神经网络与遗传算法的结合;进化神经网络;混沌神经网络；神经网络与小波分析。
The review of the latest developments in artificial neuralnetworksAbstract:Artificial neural network is the system that simulates the human brain’s structure and function, and uses a large number of processing elements, and is manually established by the network system. This paper firstly introduces the research trends of the neural network, and then introduces several new basic models of neural networks and typical applications in recent years, including of fuzzy neural network, the combine of neural network and genetic algorithm, evolutionary neural networks, chaotic neural networks and the combine of neural networks and wavelet analysis. Finally, their future prospects are predicted based on the characteristics of these new neural networks in the paper.Key words: Fuzzy neural network; Neural network and genetic algorithm; Evolutionary neural networks; Chaotic neural networks; Neural networks and wavelet analysis1 引言人工神经网络的研究始于20世纪40年代初。
人工神经网络系统辨识综述
人工神经网络系统辨识综述摘要：当今社会，系统辨识技术的发展逐渐成熟，人工神经网络的系统辨识方法的应用也越来越多，遍及各个领域。
首先对神经网络系统辨识方法与经典辨识法进行对比，显示出其优越性，然后再通过对改进后的算法具体加以说明，最后展望了神经网络系统辨识法的发展方向。
关键词：神经网络；系统辨识；系统建模0引言随着社会的进步,越来越多的实际系统变成了具有不确定性的复杂系统，经典的系统辨识方法在这些系统中应用，体现出以下的不足:（1）在某些动态系统中,系统的输入常常无法保证，但是最小二乘法的系统辨识法一般要求输入信号已知，且变化较丰富。
（2）在线性系统中，传统的系统辨识方法比在非线性系统辨识效果要好。
（3）不能同时确定系统的结构与参数和往往得不到全局最优解，是传统辨识方法普遍存在的两个缺点。
随着科技的继续发展，基于神经网络的辨识与传统的辨识方法相比较具有以下几个特点:第一，可以省去系统机构建模这一步，不需要建立实际系统的辨识格式；其次，辨识的收敛速度仅依赖于与神经网络本身及其所采用的学习算法，所以可以对本质非线性系统进行辨识;最后可以通过调节神经网络连接权值达到让网络输出逼近系统输出的目的；作为实际系统的辨识模型，神经网络还可用于在线控制。
1神经网络系统辨识法1.1神经网络人工神经网络迅速发展于20世纪末，并广泛地应用于各个领域，尤其是在模式识别、信号处理、工程、专家系统、优化组合、机器人控制等方面。
随着神经网络理论本身以及相关理论和相关技术的不断发展，神经网络的应用定将更加深入。
神经网络，包括前向网络和递归动态网络，将确定某一非线性映射的问题转化为求解优化问题，有一种改进的系统辨识方法就是通过调整网络的权值矩阵来实现这一优化过程。
1.2辨识原理选择一种适合的神经网络模型来逼近实际系统是神经网络用于系统辨识的实质。
其辨识有模型、数据和误差准则三大要素。
系统辨识实际上是一个最优化问题,由辨识的目的与辨识算法的复杂性等因素决定其优化准则。
神经网络综述
神经网络综述宁波工程学院Ningbo University of Technology摘要：神经网络可以指向两种，一个是生物神经网络，一个是人工神经网络。
生物神经网络：一般指生物的大脑神经元，细胞，触点等组成的网络，用于产生生物的意识，帮助生物进行思考和行动。
人工神经网络：是一种应用类似于大脑神经突触联接的结构进行信息处理的数学模型。
在工程与学术界也常直接简称为“神经网络”或类神经网络。
Neural network can point the two, the one is biological neural network,the other one is artificial neural network.Biological neural networkis a kind likes Structure of synaptic connection of brain that can do the mathematical model of information processing .Biological neural networkis is uesd to produce biological consciousness, help to think and act.Artificial neural network is an abstraction and simulation of the basic characteristics of the human brain; and also it is a kind of imitating the behavior characteristics of Animal neural networks for distributed parallel algorithm which is for mathematical model of information processing.人的大脑和计算机技术一直是科技前沿的研究方向，自从神经网络的出现，两个不相干的领域慢慢地结合在一起。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
目录1 人工神经网络算法的工作原理 (3)2 人工神经网络研究内容 (4)3 人工神经网络的特点 (5)4 典型的神经网络结构 (6)4.1 前馈神经网络模型 (6)4.1.1 自适应线性神经网络(Adaline) (6)4.1.1.1网络结构 (6)4.1.1.2学习算法步骤 (7)4.1.1.3优缺点 (7)4.1.2单层感知器 (8)4.1.2.1网络结构 (8)4.1.2.2学习算法步骤 (9)4.1.2.3优缺点 (9)4.1.3多层感知器和BP算法 (10)4.1.3.1网络结构： (10)4.1.3.2 BP算法 (10)4.1.3.3算法学习规则 (11)4.1.3.4算法步骤 (11)4.1.3.5优缺点 (12)4.2反馈神经网络模型 (13)4.2.1 Hopfield神经网络 (13)4.2.1.1网络结构 (13)4.2.1.2 学习算法 (15)4.2.1.3 Hopfield网络工作方式 (15)4.2.1.4 Hopfield网络运行步骤 (15)4.2.1.5优缺点 (16)4.2.2海明神经网络（Hamming） (16)4.2.2.1网络结构 (16)4.2.2.2学习算法 (17)4.2.2.3特点 (18)4.2.3双向联想存储器（BAM） (19)4.2.3.1 网络结构 (19)4.2.3.2学习算法 (19)4.2.3.4优缺点 (21)5.人工神经网络发展趋势以及待解决的关键问题 (22)5.1 与小波分析的结合 (22)5.1.1小波神经网络的应用 (23)5.1.2待解决的关键技术问题 (23)5.2混沌神经网络 (23)5.2.1混沌神经网络的应用 (24)5.2.2待解决的关键技术问题 (24)5.3基于粗集理论 (24)5.3.1粗集与神经网络结合的应用 (25)5.3.2待解决的关键技术问题 (25)5.4分形神经网络 (25)5.4.1分形神经网络的应用 (25)5.4.2待解决的关键技术问题 (25)参考文献 (26)人工神经网络综述人工神经网络（Artificial Neural Networks，ANN）系统是 20 世纪 40 年代后出现的。
它是由众多的神经元可调的连接权值连接而成，具有大规模并行处理、分布式信息存储、良好的自组织自学习能力等特点。
BP（Back Propagation）算法又称为误差反向传播算法，是人工神经网络中的一种监督式的学习算法。
BP 神经网络算法在理论上可以逼近任意函数，基本的结构由非线性变化单元组成，具有很强的非线性映射能力。
而且网络的中间层数、各层的处理单元数及网络的学习系数等参数可根据具体情况设定，灵活性很大，在优化、信号处理与模式识别、智能控制、故障诊断等许多领域都有着广泛的应用前景。
1 人工神经网络算法的工作原理人工神经元的研究起源于脑神经元学说。
19世纪末，在生物、生理学领域，Waldeger等人创建了神经元学说。
人们认识到复杂的神经系统是由数目繁多的神经元组合而成。
大脑皮层包括有100亿个以上的神经元，每立方毫米约有数万个，它们互相联结形成神经网络，通过感觉器官和神经接受来自身体内外的各种信息，传递至中枢神经系统内，经过对信息的分析和综合，再通过运动神经发出控制信息，以此来实现机体与内外环境的联系，协调全身的各种机能活动。
神经元也和其他类型的细胞一样，包括有细胞膜、细胞质和细胞核。
但是神经细胞的形态比较特殊，具有许多突起，因此又分为细胞体、轴突和树突三部分。
细胞体内有细胞核，突起的作用是传递信息。
树突是作为引入输入信号的突起，而轴突是作为输出端的突起，它只有一个。
树突是细胞体的延伸部分，它由细胞体发出后逐渐变细，全长各部位都可与其他神经元的轴突末梢相互联系，形成所谓“突触”。
在突触处两神经元并未连通，它只是发生信息传递功能的结合部，联系界面之间间隙约为（15～50)×10米。
突触可分为兴奋性与抑制性两种类型，它相应于神经元之间耦合的极性。
每个神经元的突触数目正常，最高可达10个。
各神经元之间的连接强度和极性有所不同，并且都可调整、基于这一特性，人脑具有存储信息的功能。
利用大量神经元相互联接组成人工神经网络可显示出人的大脑的某些特征。
人工神经网络是由大量的简单基本元件——神经元相互联接而成的自适应非线性动态系统。
每个神经元的结构和功能比较简单，但大量神经元组合产生的系统行为却非常复杂。
人工神经网络反映了人脑功能的若干基本特性，但并非生物系统的逼真描述，只是某种模仿、简化和抽象。
与数字计算机比较，人工神经网络在构成原理和功能特点等方面更加接近人脑，它不是按给定的程序一步一步地执行运算，而是能够自身适应环境、总结规律、完成某种运算、识别或过程控制。
人工神经网络首先要以一定的学习准则进行学习，然后才能工作。
现以人工神经网络对于写“A”、“B”两个字母的识别为例进行说明，规定当“A”输入网络时，应该输出“1”，而当输入为“B”时，输出为“0”。
所以网络学习的准则应该是：如果网络作出错误的的判决，则通过网络的学习，应使得网络减少下次犯同样错误的可能性。
首先，给网络的各连接权值赋予(0，1)区间内的随机值，将“A”所对应的图象模式输入给网络，网络将输入模式加权求和、与门限比较、再进行非线性运算，得到网络的输出。
在此情况下，网络输出为“1”和“0”的概率各为50%，也就是说是完全随机的。
这时如果输出为“1”(结果正确)，则使连接权值增大，以便使网络再次遇到“A”模式输入时，仍然能作出正确的判断。
如果输出为“0”(即结果错误)，则把网络连接权值朝着减小综合输入加权值的方向调整，其目的在于使网络下次再遇到“A”模式输入时，减小犯同样错误的可能性。
如此操作调整，当给网络轮番输入若干个手写字母“A”、“B”后，经过网络按以上学习方法进行若干次学习后，网络判断的正确率将大大提高。
这说明网络对这两个模式的学习已经获得了成功，它已将这两个模式分布地记忆在网络的各个连接权值上。
当网络再次遇到其中任何一个模式时，能够作出迅速、准确的判断和识别。
一般说来，网络中所含的神经元个数越多，则它能记忆、识别的模式也就越多。
2 人工神经网络研究内容神经网络的研究内容相当广泛，反映了多学科交叉技术领域的特点。
目前，主要的研究工作集中在以下几个方面：（1）生物原型研究从生理学，心理学、剖析学、脑科学、病理学等生物科学方面研究神经细胞、神经网络、神经系统的生物原型结构及其功能基理。
（2）建立理论模型根据生物原型的研究，建立神经元、神经网络的理论模型，包括概念模型、知识模型、物理化学模型、数学模型等。
（3）网络模型与算法研究在理论模型研究的基础上构建具体的神经网络模型，以实现计算机模拟或准备制作硬件，包括网络学习算法的研究。
这方面的工作也被称为技术模型研究。
神经网络用到的算法就是向量乘法，并且广泛应用符号函数及其各种逼近。
并行、容错、可以硬件实现以及自我学习特征，是神经网络的几个基本优点，也是神经网络计算方法与传统方法的区别所在。
（4）人工神经网络应用系统在网络模型与算法研究的基础上，利用人工神经网络组成实际的应用系统，例如，完成某种信号处理活模式识别的功能、构建专家系统、制成机器人等。
3 人工神经网络的特点人工神经网络主要具有以下几个特点：（1）自适应能力。
人类大脑有很强的自适应与自组织特性，后天的学习与训练可以开发许多各具特色的活动功能。
如盲人的听觉和触觉非常灵敏；聋哑人善于运用手势；训练有素的运动员可以表现出非凡的运动技巧等等。
普通计算机的功能取决于程序中给出的知识和能力。
显然，对于智能活动要通过总结编制程序将十分困难。
人工神经网络也具有初步的自适应与自组织能力。
在学习或训练过程中改变突触权重值，以适应周围环境的要求。
同一网络因学习方式及内容不同可具有不同的功能。
人工神经网络是一个具有学习能力的系统，可以发展知识，以致超过设计者原有的知识水平。
通常，它的学习训练方式可分为两种，一种是有监督或称有导师的学习，这时利用给定的样本标准进行分类或模仿；另一种是无监督学习或称无为导师学习，这时，只规定学习方式或某些规则，则具体的学习内容随系统所处环境（即输入信号情况）而异，系统可以自动发现环境特征和规律性，具有更近似人脑的功能。
（2）泛化能力泛化能力指对没有训练过的样本，有很好的预测能力和控制能力。
特别是，当存在一些有噪声的样本，网络具备很好的预测能力。
（3）非线性映射能力当对系统对于设计人员来说，很透彻或者很清楚时，则一般利用数值分析，偏微分方程等数学工具建立精确的数学模型，但当对系统很复杂，或者系统未知，系统信息量很少时，建立精确的数学模型很困难时，神经网络的非线性映射能力则表现出优势，因为它不需要对系统进行透彻的了解，但是同时能达到输入与输出的映射关系，这就大大简化设计的难度。
（4）高度并行性并行性具有一定的争议性。
承认具有并行性理由：神经网络是根据人的大脑而抽象出来的数学模型，由于人可以同时做一些事，所以从功能的模拟角度上看，神经网络也应具备很强的并行性。
4 典型的神经网络结构网络的拓扑结构是神经网络的重要特性，神经网络的各种模型层出不穷，但最常见的结构是前馈神经网络和反馈神经网络两大类。
4.1 前馈神经网络模型4.1.1 自适应线性神经网络(Adaline)自适应线性神经网络（Adaptive Linear，简称Adaline) 是由威德罗（Widrow ）和霍夫（Hoff ）首先提出的。
它与感知器的主要不同之处在于其神经元有一个线性激活函数，这允许输出可以是任意值，而不仅仅只是像感知器中那样只能取0或1。
它采用的是W —H 学习法则，也称最小均方差(LMS)规则对权值进行训练。
自适应线性元件的主要用途是线性逼近一个函数式而进行模式联想。
4.1.1.1网络结构图4-1为其网络结构：图4-14.1.1.2学习算法步骤（1）设置变量和参量： 12()[1,(),(),,()]m X n x n x n x n =为输入向量，或称训练样本。
12()[(),(),(),,()]m W n b n w n w n w n =为权值向量。
()b n 为偏差，()y n 为实际输出，()d n 为期望输出，η为学习速率，n 为迭代次数。
（2）初始化，赋给(0)j W 各一个较小的随机非零值，0n =。
（3）对于一组输入样本12()[1,(),(),,()]m X n x n x n x n =和对应的期望输出d ，计算：()()()()(1)()()()T e n d n X n W n W n W n X n e n η=-+=+（4）判断是否满足条件，若满足算法条件，则结束。