经典神经网络分类器
感知器
感知器学习算法是误分类驱动的在线学习算法，任意选取一个具有参数的分离超平面，采用随机梯度下降法不断极小化损失函数，多次迭代训练得到感知器参数w b。
定义损失函数（训练样本被错分的程度）：
随机梯度下降法:
BP网络
由于感知器学习算法是一种单层网络的学习算法，在多层网络中，它只能改变最后层的权值。BP算法即误差反向传播算法，解决了多层神经网络隐含层神经元连接权值学习的问题，它用 Sigmoid 激活函数替代了阶跃函数
sigmoid函数导数满足以下性质：
对于一个神经网络：
对于输出层节点i：
其中，δi是节点i的误差项，yi是节点i的输出值，ti是样本对应于节点i的目标值。对于隐藏层节点：
其中，ai是节点i的输出值，wki是节点i到它的下一层节点k的连接的权重，δk是节点i的下一层节点k的误差项。然后，更新每一个连接上的权值：
其中，wji是节点i到节点j的权重，η是学习率，δj是节点j的误差项，xji是节点i传递给节点j的输入。
显然，计算一个节点的误差项，需要先计算每个与其相连的下一层节点的误差项。这就要求误差项的计算顺序必须是从输出层开始，然后反向依次计算每个隐藏层的误差项，直到与输入层相连的那个隐藏层。
需要注意的是，这些推导出的训练规则是根据激活函数是sigmoid函数、平方和误差、全连接网络、随机梯度下降优化算法。如果激活函数不同、误差计算方式不同、网络连接结构不同、优化算法不同，则具体的训练规则也会不一样。
另外，神经网络在层次深的情况下性能变得很不理想：传播时容易出现梯度弥散，陷入局部最优，且随着网络层数的增加而严重，所以只能处理浅层结构从而限制了性能。
自组织神经网络
对于感知器与BP神经网络，他们是有监督的，所以提出无监督的自组织神经网络。
在自组织神经网络中，输出神经元之间相互竞争激活，在任意时刻只有一个神经元被激活。被激活的神经元被称为胜利者神经元（WTA）
自组织竞争网络：
WTA竞争学习过程：
1、向量归一化：
2、寻找WTA获胜神经元：
3、网络输出与权值调整：
4、重新归一化处理：
自组织映射网络（SOM网）：
能将高维度输入数据映射到低维空间（通常为二维），同时保持输入数据在高维空间的拓扑结构，运用竞争学习策略，依靠神经元之间互相竞争逐步优化网络。利用近邻关系函数来维持输入空间的拓扑结构，而不是用**损失函数。**来训练，它非常适合高维数据的可视化，能够维持输入空间的拓扑结构。
