混合神经

　　8、小脑脂肪神经细胞瘤

　　7、中枢性神经细胞瘤

　　6、间变性神经节细胞胶质瘤

　　5、神经节细胞胶质瘤

　　4、胚胎发育不良性神经上皮肿瘤

　　3、促纤维增生性幼稚星形细胞瘤/神经节细胞胶质瘤

　　2、小脑发育不良性神经节细胞瘤

　　1、神经节细胞瘤

　　神经元和混合神经元－胶质肿瘤（WHO分类）

　　这类网络典型的组成分为三部分：由一组感知单元（源节点）组成输入层，一层或多层计算节点的构成的隐含层及由一组计算节点组成的输出层。

　　2.1 多层感知器神经网络的基本原理

　　2 前馈神经网络模型及基本思想

　　根据神经网络模型的学习方法，可将现有的神经网络学习算法分为有监督者和无监督者两类。其中，有监督者的模型结构及算法比较简单，主要应用于模式识别及分类领域，典型的算法如BP网络算法、RBF网络算法。传统的BP网络算法采用基于误差反向传播的梯度算法；而RBF网络利用了差值法的研究成果，采用了前馈的结构，二者都是对真实神经网络不同方面的近似，各有其优缺点。本文在分析了这两种算法基本思想的基础上，将二者结合起来，利用各自的优点构造了一种混合神经网络，并探讨了这种网络在船舶设计上的应用。

　　人工神经网络是一种具有模拟人类大脑形象思维、联想记忆和信息分布存贮的非线性方法，是目前模式识别和机器学习领域的一个研究热点。其特点是：大规模并行结构、信息的分布式存储和并行处理及良好的自适应性、自组织性和容错性，具有较强的学习、记忆、联想、识别功能等。正是因为具有上述特点，人工神经网络在生物、电子、计算机、数理和工程等众多学科有着非常广泛的应用前景。当前，神经网络的研究已取得多方面的进展和成果[1,2]，研究者们从不同的角度提出了BP网络，RBF网络、支撑向量机、自组织映射、Hopfield网络等大量神经网络模型。

　　1 引言

　　关键词 人工神经网络，反向传播算法，径向基函数网络，船舶设计

　　摘要 该文深入分析了两种经典前馈神经网络—多层感知器和径向基函数网络的基本原理，指出它们分别模拟了生物神经网络不同方面的功能，在此基础上将它们结合起来构造了一种混合结构的神经网络，发挥了二者各自的优点并成功的用于船舶性能的预估。仿真试验表明，这种神经网络的收敛速度和估计的准确度都好于多层感知器。

　　基于一种混合神经网络的船舶设计