[发明专利]一种自适应神经网络学习方法及神经网络系统

权利要求书

1.一种自适应神经网络学习方法，其特征在于，神经网络系统包含：输入层、隐含层、输出层和知识库，该知识库K＝(S₁,S₂……S_m)，S_b为神经网络连接权值，S_b＝(V|W|Y)，b＝1,2……m，Y是期望输出，V和W分别为网络隐含层的连接权值和输出层的连接权值；

该方法包含：

(1)新建并初始化知识库：获得训练集合的知识，每项知识对应一组隐含层的连接权值V和输出层的连接权值W，对训练过程中的隐含层和输出层的权值进行调整，并使输出结果相似度E满足收敛条件，确定最终输出的连接权值；

(2)在线自适应学习，搜索所述知识库中任意一项知识，获得其对应的隐含层的连接权值V和输出层的连接权值W，对于某一输入数据将该组连接权值作为初始值，使用步骤1中权值的调整对连接权值进行调整，连续运算规定的学习次数N，得到实际运算的输出结果；

(3)判断输出结果和对应的期望输出的相似度是否满足要求：当输出结果与对应的期望输出的相似度达到要求时，则输出结果；当输出结果与对应期望输出相似度未达到要求时，则从知识库中按序搜索并选取新的一项知识，获取一组新的隐含层、输出层以及期望输出，重复步骤(2)，若历遍所述知识库中的所有知识，仍未找到对应的知识时，则视该数据为一项新知识的样本；

(4)按照步骤(1)中的权值的调整对连接权值进行调整，直至输出结果相似度E满足收敛条件，将对应输出层的连接权值、隐含层的连接权值和期望输出合并为一项新的知识，添加到知识库K中。

2.根据权利要求1所述的自适应神经网络学习方法，其特征在于，所述的网络隐含层的连接权值和输出层的连接权值均为矩阵；其中，

3.根据权利要求2所述的自适应神经网络学习方法，其特征在于，在步骤(1)中，所述权值的调整算法包含：

δ_j＝(y_j-o_j)f′(net_j) (3)；

式(1)-(3)中，w_ij和v_ij分别为输出层和隐含层在矩阵中(i，j)的连接权值，α为比例系数，δ_j为矩阵中j列的学习率，f’(net_j)为神经元激励函数导数，y_j和o_j分别为矩阵中j列的期望输出和实际输出，o_i为矩阵中i排的实际输出。

4.根据权利要求1-3中任意一项所述的自适应神经网络学习方法，其特征在于，在步骤(1)中，所述输出结果相似度E的收敛条件的方程为：

E＝∑E_p (5)；

式(4)和(5)中，E_p表示第p个输出神经元的结果相似度，y_Pj和o_Pj分别为矩阵中(p，j)的期望输出和实际输出，E表示结果相似度，用于判断网络是否达到收敛要求。

5.根据权利要求1所述的自适应神经网络学习方法，其特征在于，在步骤(1)中，当结果相似度E低于期望输出结果的20％时为满足相似度要求；在步骤(4)中，当结果相似度E低于期望输出结果的5％时为满足相似度要求。

6.一种自适应神经网络系统，其特征在于，该神经网络系统包含：输入层、隐含层、输出层和知识库，该知识库K＝(S₁,S₂……S_m)，S_b为神经网络连接权值，S_b＝(V|W|Y)，b＝1,2……m，Y是期望输出，V和W分别为网络隐含层的连接权值和输出层的连接权值；该神经网络系统为前向型神经网络系统，所述的输入层、隐含层和输出层依次连接以传输，所述的知识库和所述的隐含层连接。

7.根据权利要求6所述的自适应神经网络系统，其特征在于，所述的网络隐含层的连接权值和输出层的连接权值均为矩阵；其中，