下面利用案例学习神经计算
例4.1：对图4.6所示的异或逻辑的神经网络来说，其邻接矩阵为：
0 0 1 -1 0
0 0 1 -1 0
0 0 0 0 1
0 0 0 0 1
0 0 0 0 0
变换函数为
由网络的输入到网络的输出的计算过程：
如果用产生式规则描述，则该网络代表下述四条规则：
IF x1=0 AND x2=0 THEN y=0
IF x1=0 AND x2=1 THEN y=1
IF x1=1 AND x2=0 THEN y=1
IF x1=1 AND x2=1 THEN y=0
神经网络中的知识表示采用了什么样的表示方法？结合这个例子回答。
2．基于神经网络的知识推理
这里讨论一个神经网络推理用于医疗诊断的例子。
该医疗诊断系统只考虑6种症状、2种疾病、3种治疗方案。
症状：对每一症状采集三种信息——有（1）、无（-1）、没有记录（0）
疾病：对每一疾病采集三种信息——有（1）、无（-1）、没有记录（0）
治疗方案：对每一治疗方案采集两种信息——是、否
每个病人的信息构成一个训练样例，用一批训练样例对网络进行训练（B-P算法），假设得到的是如图4.7所示的神经网络
x1——x6为症状（输入）
x7，x8为疾病名
x9，x10，x11为治疗方案（输出）
（4.5）
那么由网络的结构可知;
x7=f（2x1-2x2+3x3）
当x1=x3=1时，x7的输出是什么？
计算过程
x7=f（2x1-2x2+3x3）
=f（5-2x2）
因为x2只有三种取值＋1，0，－1，所以无论x2取什么值5-2x2都大于0，由变换函数可知x7的输出是1。
由上例可看出网络推理的大致过程。一般来说，正向网络推理的步骤如下：
①把已知数据输入网络输入层的各个节点。
②利用变换函数分别计算网络中各层的输出。计算中，前一层的输出作为后一层有关节点的输入，逐层进行计算，直至计算出输出层的输出值。
③用阈值函数对输出层的输出进行判断，从而得到输出结果。
上述推理具有如下特征：
①同一层的处理单元（神经元）是完全并行的，但层间的信息传递是串行的。由于层中处理单元的数目要比网络的层数多得多，因此它是一种并行推理。
②在网络推理中不会出现人工智能系统中推理冲突的问题。
③网络推理只与输入及网络自身的参数有关，而这些参数又是通过使用学习算法对网络进行训练得到的，因此它是一种自适应推理。
1 2
