1、“.....首先是它的精度，再是它的训练时间。时间包含两层含义层是循环次数，二是每次循环所花的时间。初值权值的选取由于系统是非线性的，初始值的选取对于学习是否达到局部最小，是否能够收敛以及训练时间的长短有很大关系。初始值过大过小都会影响学习速度，因此权值的初始值应选为均匀分布的小数经验值，般取初始权值在，之间的随机数，也有选取在,之间的随机数的，其中为输入特征个数。为避免每步权值的调整方向是同向的，应将初始值设为随机数。学习速率学习速率决定每次循环中所产生的权值变化量。快的学习速率可能导致系统的不稳定。但慢的学习速率导致较长的训练时间，可能收敛很满，不过能保证网络的误差值跳出误差表面的低谷而最终趋于最小误差值。所以在般情况下，倾向于选择较慢的学习速率以保证系统的稳定性。学习速率的选择范围在之间。如同初始权值的选取过程样，在个神经网络的设计中，网络要经过几个不同的学习速率的训练......”。

2、“.....若下降很快，则说明学习速率合适，若出现振荡现象，则说明学习速率过快。对于每个具体网络都存在个合适的学习速率，但对于较复杂网络，在误差曲面的不同部位可能需要不同的学习速率。为了减少寻找学习速率的训练次数和训练时间，比较合适的方法是采用变化的自适应学习速率，使网络的训练在不同的阶段自动设置不同的学习速率。般说，学习速率越快，收敛越快，但容易振荡而学习速率越慢，收敛越慢。期望误差的选取在网络的训练过程中，期望误差值也应当通过对比训练后确定个合适的值。所谓合适，是相对所需要的隐含层的节点数来确定，因为较小的期望误差要靠增加隐含层的节点以及训练时间来获得。般情况下，作为对比，可以同时对两个不同期望误差的网络进行训练，最后通过综合因素的考虑来确定采用其中个网络。尽管含有隐含层的神经网络能实现任意连续函数的逼近，但在训练过程中如果些参数选取合适，可以加快神经网络的训练......”。

3、“.....对训练过程影响较大的是权系数的初值学习速率等。调整量与误差成正比，即误差越大，调整的幅度就越大。调整量与输入值的大小成正比，由于输入值越大，在这次学习过程中就显得越活跃，所以与其相连的权值的调整幅度就应该越大。调整量与学习系数成正比。通常学习系数在之间，为使整个学习过程加快，又不引起振荡，可采用变学习率的方法，即在学习初期取较大的学习系数，随着学习过程的进行会逐渐减少其值。第三部分自适应竞争神经网络自组织网络自组织神经网络可以自动向环境学习，不需要教师指导而前面所讲到的前向网络反馈网络均需要教师指导学习与网络相比，这种自组织自适应的学习能力进步拓宽了人工神经网络在模式识别分类方面的应用思想基础生物的神经网络中，如人的视网膜中，存在着种侧抑制现象，即个神经细胞兴奋后，通过它的分支会对周围其他神经细胞产生抑制借鉴上述思想，自组织网络能够对输入模式进行自组织训练和判断，并将输入模式分为不同的类型......”。

4、“.....在样本排序样本分类及样本检测方面有广泛应用对传网络在功能上用作统计最优化和概率密度函数分析可用于图像处理和统计分析神经认知机不需要训练自适应共振理论分类的类型数目可自适应增加。网络学习规则格劳斯贝格提出了两种类型的神经元模型内星与外星，用以来解释人类及动物的学习现象内星可以被训练来识别矢量外星可以被训练来产生矢量基本学习规则内星学习规则可以通过内星及其学习规则可训练神经元节点只响应特定的输入矢量，它借助于调节网络权矢量近似于输入矢量来实现的。单内星中对权值修正的格劳斯贝格内星学习规则为内星神经元联接强度的变化与输出成正比的。如果内星输出被外部方式而维护高值时，通过不断反复地学习，趋使逐渐减少，直至最终达到，从而使内星权矢量学习了输入矢量，达到了用内星来识别个矢量的目的另方面......”。

5、“.....网络权矢量被学习的可能性较小，甚至不能被学习外星学习规则外星网络的激活函数是线性函数。它被用来学习回忆个矢量，其网络输入也可以是另个神经元模型的输出。外星被训练来在层个线性神经元的输出端产生个特别的矢量对于个外星，其学习规则为遇到大量的具有概率分布的输入矢量时，竞争网络就无能为力了，这时可采用科荷伦网络来解决此类问题。第四部分地震预报的实现基于人工神经网络的地震预测研究背景地震预测是地理问题研究领域中的个重要的课题，准确的地震预测可以帮助人们及时采取有效的措施，降低人员伤亡好经济损失，引发地震的相关因素很多，器产生机理的复杂性，孕育过程的非线性好认识问题的困难性使得人们很难建立较完善的物理理论模型。对于有关的物理参数加以精确的描述，只能借助些观测到得相关现象进行分析，总结好推理。由于地震活动时间空间上的随机性和复杂性，地震研究仍是当今大科学难题。对地震灾害的评价和预测工作还停留在经验性阶段......”。

6、“.....上世纪年代提出的人工神经网络缩写为是在物理机制上模拟人脑信息处理机制的信息系统，它不但具有处理数值数据的般计算能力，而目还具有处理知识的思维学习记忆能力。它采用类似于黑箱的方法，通过学习和记忆找出输入输出变量之间的非线性关系。把这种人工神经网络应用于具有极大模糊性和复杂性的地震灾害预测研究中有很大的优越性。本文中利用大量地震数据，建立了非线性人工神经网络。经过网络训练，获得了潜在地震灾害预测系统。同时，通过模拟预测，分析了人工神经网络在潜在地震灾害预测中的可能性和有效性。相对于传统的预报方法，神经网络在处理这方面的问题中有独特的优势，主要表现在以下几个方面容错能力强。由于神经网络的知识信息采用分布式存储，个别元件损坏不会引起输出，是就使得预测过程中容错能力很强，可靠性高。预测速度快。训练好的网络在对未知样本进行预测时仅需要少量的加法好乘法，使得其运算速度明显快于其他方法......”。

7、“.....特别是公式的表述。网络可以自己学习好记忆各输入和输出量之间的关系。模型的建立以我国城市以及其邻近地区，自年到年地震常发地区的地震资料作为样本来源，实现基于神经网络的地震预测。根据这些地震资料，提取出个预报因子和实际发生的最大地震级作为输入和目标向量。预报因子为次数最多的地震级值平均地震级数平均纬度平均纬度偏差平均经度平均经度偏差大于的地震次数相邻两年的地震次数差，当绝对值超过均值的个数量级时，先除以再取整相邻的两年最大地震的地震级数差，当其为负数时作乘以处理最大地震震级表地震活动指标年值年份次数最多的震级值平均震级纬度偏差经度偏差平均纬度平均经度次数次数差震级差最大震级自适应竞争网络对地震等级进行预测数据处理输入量次数最多的地震级值平均地震级数平均纬度平均纬度偏差平均经度平均经度偏差大于的地震数相邻两年的地震次数差。相邻的两年最大地震的地震级数差......”。

8、“.....竞争层神经元个数为，学习速率为初始化对网络进行初始化网络训练对网络进行训练网络测试对网络进行测试预测结果预测分析根据实际数据，我们可以把地震划分级别。比喻本文，第类对应为般级别，第二类对应为中等级别，第三类对应为严重级别。需要特别说明的是，不是每次级别对应都与上面相同。应为初始化的不同，可能出现其他对应情况。网络对地震的大小进行预测数据处理输入量次数最多的地震级值平均地震级数平均纬度平均纬度偏差平均经度平均经度偏差大于的地震数相邻两年的地震次数差。相邻的两年最大地震的地震级数差。输出量最大地震震级数据进行归化本文中只对最大震级这项数据进行归化。表中的数值,也可以直接对表中的最大震级这项数据进行归化。网络的设计隐含层的确定输入神经元的个数，输出神经元的个数则隐含层数为建立神经网络该函数梯度下降法进行学习，并且学习的速率是自适应的......”。

9、“.....训练误差曲线图网络训练的结果预测结果分析向内预测，误差很小，向外预测，有定的误差，但在允许的范围内。第五部分作业试分析下列离散神经网络的功能。感知器部分输入信息矢量,取值或，突触连接强度，种偏置加权系数为，试讨论时网络实现功能。解此网络的功能是把输入矢量分为两类当时，网络把输入矢量全为的情况和不全为的情况分为两类当时，网络把输入矢量全为的情况和不全为的情况分为两类当时，网络把输入矢量取值为的个数大于取值为的个数的情况分为类，其它情况为另类。传感器，将四个物体分为类，其中类物体对应的目标值为，另类物体对应目标值为请画出感知器结构图，并用等语言编程序求出合适的权系数。,，,。画出分界线及各点位置......”。