神经网络学习初期提示： 第一步：看看入门书籍,对神经网络有个初步认识; 第二步：掌握如下算法: 1.感知机学习,这个较简单易懂,就不多说了. 2.最小均方误差,这个原理是下面提到的神经网络学习算法的理论核 心,入门者要先看《高等数学》（高等教育出版社，同济大学版）第 8 章的第十节：“最小二乘法”。 3.在第 2 步的基础上看 Hebb 学习算法、SOM 和 K-近邻算法，上述 算法都是在最小均方误差基础上的改进算法， 容易买到的参考书籍有： 《神经网络原理》（机械工业出版社，Simon Haykin 著，中英 文都有）； 《人工神经网络与模拟进化计算》（清华大学出版社，阎平凡， 张长水著）； 《模式分类》（机械工业出版社， Richard O. Duda 等著， 中英文都有）； 《神经网络设计》（机械工业出版社，Martin T. Hargan 等著， 中英文都有）。 4.ART(自适应谐振理论),该算法的最通俗易懂的读物就是《神经网 络设计》（机械工业出版社，Martin T. Hargan 等著，中英文都有） 的第 15 和 16 章。若看理论分析较费劲可直接编程实现一下 16.2.7 节的 ART1 算法小节中的算法. 

5.BP 算法,初学者若对误差反传的分析过程理解吃力可先跳过理论 分析和证明的内容,直接利用最后的学习规则编个小程序并测试,建 议看《机器学习》(机械工业出版社，Tom M. Mitchell 著，中英文 都有）的第 4 章和《神经网络设计》（机械工业出版社，Martin T. Hargan 等著，中英文都有）的第 11 章。 第三步：在掌握上述算法的基础上看各种前馈网络、反馈网络、联想 存储器、神经网络集成、模糊神经网络等技术就属于学习神经网络的 高级阶段了，需要根据自己的研究和应用方向决定。 神经网络高级话题： 神经网络研究的高级阶段是研究各种神经网络（包括多层感知器 网络、径向基函数网络、概率神经网络、径向基概率神经网络、递归 神经网络、光学神经网络、库仑能量网络、隐马尔科夫模型、模糊极 大极小网络、模块神经网络、学习委员会机、ARTMAP 网络、自适 应共振理论(ART1-3)、自组织特征映射、联想记忆、主分量分析、 独立分量分析、盲源分离、硬聚类和模糊聚类子空间理论、波尔兹曼 机、神经认知机、统计学习理论、支撑矢量机、随机神经网络理论、 EM 算法、遗传与进化算法、增强学习理论、人工免疫算法、模拟退 火算法）的数学理论、学习算法、模型和结构、推广能力、预测与逼 近能力。 神经网络的应用领域： 神经网络在模式识别、图象处理、数据挖掘、机器人、生物信息 学等领域被广泛应用。