∑|f(:)) 其输入、输出关系为 1=∑vx- y1=f(1) 其中,x(=1,2∴…,m)是从其他神经元传来的输入信号;w表示从神经元j到神经元i的连接权值:为阙值 f(°)称为激发函数或作用函数 方便起见,常把-θ,也看成是恒等于1的输x0的权值,因此上式可写成: l1=∑wn 其中:wo=-日,xo=1。 输出激发函数f(·又称为变换函数,它决定神经元(节点)的输出。该输出为1或0,取决于其输入之和 大于或小于内部阈值O。f(·)函数一般具有非线性特性。下图为几种常见的激发函数图 1.阈值型函数(见图a,b) 当y取0或1时,f(x)为图(a)所示的阶跃函数: l,x≥0 f(x)= x<0 当y取-1或1时,f(x)为图(b)所示的sgn函数(符号函数) ≥0 sgn(x)=f(x) 2.饱和型函数(见图(c)) x≥l/k f(x)={kx-1/k≤x<l/k x<1/k其输入、输出关系为： ∑= = − n j i ij j i I w x 1 θ ( ) i i y = f I 其中，x ( j 1,2, ,n) j = ⋅⋅⋅ 是从其他神经元传来的输入信号；wij 表示从神经元 j 到神经元 i 的连接权值；θ i 为阈值； f (•) 称为激发函数或作用函数。 方便起见，常把 −θ i 也看成是恒等于 1 的输 0 x 的权值，因此上式可写成： ∑= = n j i ij j I w x 0 其中： w0i = −θ i ， x0 = 1。 输出激发函数 f (•) 又称为变换函数，它决定神经元（节点）的输出。该输出为 1 或 0，取决于其输入之和 大于或小于内部阈值θ i 。 f (•) 函数一般具有非线性特性。下图为几种常见的激发函数图。 1. 阈值型函数（见图 a，b） 当 i y 取 0 或 1 时， f (x) 为图（a）所示的阶跃函数： ⎩ ⎨ ⎧ < ≥ = 0, 0 1, 0 ( ) x x f x 当 i y 取－1 或 1 时， f (x) 为图（b）所示的 sgn 函数（符号函数）： ⎩ ⎨ ⎧ − < ≥ = = 1, 0 1, 0 sgn( ) ( ) x x x f x 2. 饱和型函数（见图（c）） ⎪ ⎩ ⎪ ⎨ ⎧ − < − ≤ < ≥ = x k kx k x k x k f x 1 1/ 1/ 1/ 1 1/ ( )