别的方法体系注入了新鲜血液。采用不同的数学模型就得到不同的神经网络方法，其中最有影响力的模型应该是多层感知器（MLP）模型。他具有从训练数据中学习任意复杂的非线性映射的能力，也包括实现复杂的非线性映射的能力，也包括复杂的非线性分类判别函数。从模式识别角度，多层感知器方法可以看作是一种通用的非线性分类器设计方法。目前，神经网络已经广泛的应用于图像的分割和对象的识别、分类问题中。根据神经网络的结构特点，人们通常把神经网络模型分成三种类型：前馈型网络（freedford
etwork）、反馈型网络（feedback
etwork）和竞争学习网络（competitivelear
i
g
etwork）。
f2基本模型21典型神经元模型
22McCullochPitts模型
一个典型的简化了的神经元工作过程是这样的：来自外界（外界或其它细胞）的电信号通过突触传递给神经元，当细胞收到的信号总和超过一定的阈值后，细胞被激活，通过轴突向下一个细胞发送电信号，完成对外界信息的加工。
MaCullochPitts模型是WSMcCulloch和WHPitts在1943年提出的。图中x1x
表示神经元的多个树突接收到的信号，
是向量x的维数，w1，…，w
称作权值，反映各个输入信号的作用强度。神经元的作用是将这些信号加权求和，当求和超过一定的阈值后神经元即进入激活状态，输出值y1；否则神经元处于抑制状态，输出值为0。
23BP神经网络BP神经网络是基于BP算法的多层前馈网络，其网络结构简单，算法成熟，具
有自学习和自适应等优点，并且具有非线性动力学的特点。BP算法通过输入、输
f出数据样本集，根据误差反向传递的原理，对网络进行训练，其学习过程包括信息的正想传播过程以及误差的反向传播这两个过程，对其反复训练，连续不断地在相对误差函数梯度下降的方向上，对网络权值和偏差的变化进行计算，逐渐逼近目标。典型的BP神经网络由一个输入层、至少一个隐含层和一个输出层组成。一个典型的三层BP神经网络如图所示。
3主要内容31神经网络的定义
神经网络是由多个简单的处理单元彼此按某种方式相互连接而形成的计算机系统该系统通过对连续或断续式的输入作状态响应而进行信息处理。32神经网络模式识别的优点
神经网络在模式识别、智能控制、信号处理、计算机视觉、优化计算、知识处理、生物医学工程领域已有广泛的应用，模式识别是神经网络的主要应用领域之一。神经网络模式识别法与传统方法相比具有下面几个明显的优点：
1具有较强的容错性，能够识别带有噪声或畸变的输入模式。2具有很强的r