學習是神經網路一種最重要也最令人注目的特點。在神經網路的發展程序中，學習演算法的研究有著十分重要的地位。目前，人們所提出的神經網路模型都是和學習算 法相應的。所以，有時人們並不去祈求對模型和演算法進行嚴格的定義或區分。有的模型可以有多種演算法．而有的演算法可能可用於多種模型。不過，有時人們也稱演算法 為模型。

自從40年代Hebb提出的學習規則以來，人們相繼提出了各種各樣的學習演算法。其中以在1986年Rumelhart等提出的誤差反向傳播法，即BP(error BackPropagation)法影響最為廣泛。直到今天，BP演算法仍然是自動控制上最重要、應用最多的有效演算法。

1．2．1 神經網路的學習機理和機構

在神經網路中，對外部環境提供的模式樣本進行學習訓練，並能儲存這種模式，則稱為感知器；對外部環境有適應能力，能自動提取外部環境變化特徵，則稱為認知器。

神經網路在學習中，一般分為有教師和無教師學習兩種。感知器採用有教師訊號進行學習，而認知器則採用無教師訊號學習的。在主要神經網路如BP網 絡，Hopfield網路，ART網路和Kohonen網路中；BP網路和Hopfield網路是需要教師訊號才能進行學習的；而ART網路和 Kohonen網路則無需教師訊號就可以學習。所謂教師訊號，就是在神經網路學習中由外部提供的模式樣本訊號。

一、感知器的學習結構

感知器的學習是神經網路最典型的學習。

目前，在控制上應用的是多層前饋網路，這是一種感知器模型，學習演算法是BP法，故是有教師學習演算法。

一個有教師的學習系統可以用圖1—7表示。這種學習系統分成三個部分：輸入部，訓練部和輸出部。