類神經網路架構

類神經網路之架構常以兩種方式分類，一類是依據網路的連結架構進行分 類，另一類則是以學習方式作為分類依據，分述如下：

1. 依網路連結架構分類 a. 前饋式類神經網路

前饋式類神經網路所有神經元訊息傳遞之連結方式均為向前傳遞連結，訊 息傳遞過程皆無向後或側向的傳遞連結。前饋式類神經網路又可分為單層前饋 式網路（single-layer feedforward networks）及多層前饋式網路（multilayer feedforward networks），如圖 4.4 所示，兩者的差別僅在於多層前饋式網路至少 必須含有一層或多層的隱藏層（hidden layer），由於加入一層或是多層的隱藏 層，類神經網路便可處理複雜的高維度非線性問題。

圖 4.4 (a)單層前饋式網路 圖 4.4 (b)多層前饋式網路

b. 反饋式類神經網路（feedback networks）

有別於前饋式類神經網路，反饋式類神經網路至少含有一層反饋迴圈，在 此層的神經元除將訊息向前傳遞進入下一層神經元之外，並將訊息側向傳遞給 同一層其他神經元或回傳至上一層神經元。最典型的方式為將隱藏層或輸出層 神經元輸出值回傳，做為下一階段本身或其他神經元之輸入值。反饋式類神經

31

網路藉由訊息反饋而加強網路的學習能力，在非線性的動態系統中反饋式類神 經網路較其他類型類神經網路有更高的精確度。

圖4.5 反饋式類神經網路

2. 依學習方式分類

從經驗中學習是人類大腦最大特性之ㄧ，類神經網路則是藉由學習演算法模 擬此一特性。人類大腦透過學習過程獲取知識，當日後類似事件再發生時，便由 已有的知識判斷該事件最終之結果。而學習演算法是藉由訓練過程調整各層神經 元的權重值，完成訓練後的網路可透過已建構完成之權重，計算出輸出的結果，

或將輸入資料加以分類。

a. 監督式學習（supervised learning）網路﹕

監督式學習是指從問題領域中取得訓練樣本（pattern），給予類神經網路進 行訓練，訓練樣本中包含輸入向量（變數值）與目標輸出向量（變數值），網 路在訓練過程中學習輸入向量與目標輸出向量間之映射關係，意即不斷的修正 網路權重值，縮小網路輸出值與目標輸出值間之差距。此類型的網路學習因有 目標輸出向量，因此能判斷網路輸出是否正確，常見應用於圖形辨認和預測領 域，如倒傳遞網路、感知器網路等。

b. 非監督式學習（unsupervised learning）網路

非監督式學習是指從問題領域中取得訓練樣本，此訓練樣本僅包含輸入向 量，但無輸出向量。類神經網路透過訓練樣本學習輸入資料間之聚類規則，完 成訓練後的類神經網路即可判定新輸入資料所屬之聚類，如自組織特徵映射網 路。

33