神经网络结构设计：级连相关与反馈网络解析

"这篇资料主要涉及神经网络的基础知识和结构设计，特别提到了级连相关神经网络和径向基函数神经网络。书中还涵盖了神经网络的MATLAB代码实现，以及结构和参数优化设计的方法，适合工程技术人员、学生和教师参考学习。" 在神经网络领域，级连相关神经网络（Cascade Correlation Neural Network, CCNN）是一种前向传播网络，其独特之处在于通过级联的方式逐步构建网络结构，以实现快速训练。CCNN由多个子网络组成，每个子网络只负责学习输入数据的一部分特征。这种方法可以有效减少训练时间和提高网络的泛化能力。级连相关算法会在每次迭代中增加一个新的神经元或子网络，以最小化残差，直到达到满意的性能。这种网络将在后续章节中详细讲解。 径向基函数神经网络（Radial Basis Function, RBF）网络是一种三层结构的网络，包含输入层、隐层和输出层。RBF网络的隐层神经元通常使用高斯函数作为激活函数，形成基于距离的基函数。这样的设计使得网络能够有效地进行非线性映射。在分类任务中，RBF网络的输出层可能采用Sigmoid或硬极限函数；而在函数逼近任务中，可能会选择线性函数。RBF网络因其对非线性问题的良好适应性，在各种预测和识别问题中得到广泛应用。 书中还介绍了神经网络结构设计的基本概念，包括影响网络泛化能力的因素，如网络的复杂性、过拟合和欠拟合等。为了优化神经网络的结构和参数，作者提到了多种方法，如权值衰减法、剪枝算法、敏感性分析、构造算法（如CC算法和资源分配网络）、进化算法、最优停止方法、主动学习方法和神经网络集成等。这些方法通常结合MATLAB代码实现，以帮助读者理解和应用到实际问题中。 书中的内容不仅基于经典的神经网络理论，还涵盖了近年来的研究进展。读者群体包括自动化、信号处理等相关领域的工程技术人员，以及高校的高年级学生、研究生和教师。尽管作者在短时间内完成编写，可能存在不足，但书中的内容仍能为神经网络初学者和专业人士提供丰富的学习材料。