润色以下内容：神经网络是一种模拟人脑神经元结构和功能的计算模型，可以实现对复杂数据的自动学习和分类。它主要是大量的单元相互连接而组成的网络结构，来实现大脑的感知和学习功能。神经网络拓扑结构可以分为前馈多层式网络模型、反馈递归式网络模型和随机型网络模型等。 前馈神经网络分为了神经元分层排列，包含了输入层、隐含层和输出层三个层次结构，每个层次的神经元只能够接收前一个层次的神经元，层层对应。这是一种比较强有力的学习系统，它的结构相对而言较为简单，并且编程也比较容易，是一种静态的非线性映射，通过简单的非线性处理进行复合映射，能够得到更加复杂的处理能力。前馈网络学习的分类能力和模式识别都要强于一般的反馈网络。 人工神经网络是一种运算模型，由大量的节点（或称神经元）和之间相互联接构成。每个节点代表一种特定的输出函数，称为激励函数。每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重，这相当于人工神经网络的记忆。网络的输出则依网络的连接方式，权重值和激励函数的不同而不同。而网络自身通常都是对自然界某种算法或者函数的逼近，也可能是对一种逻辑策略的表达。 人工神经网络分类为依学习策略分类和依网络架构分类，前者有监督式学习网络、无监督式学习网络、混合式学习网络、联想式学习网络、最适化学习网络等，后者有前向式架构、回馈式架构、强化式架构等。 在实际应用中，神经网络分为两个阶段。一是有监督的学习阶段：调整网络权值，使训练样本的实际输出与期望输出之间的误差达到一定的可接受范围；二是工作阶段：将实际输入（可能含有未知模式）赋予网络并得到输出的工程。这两个过程与支持向量机理论是一致的。

1个月前