其中,[0,门]为时变信号输入过程区间,K()为[0,7上的一个可积函数,或更一般地设K() 为一个一元泛函,定义 A(1)②K()=K(4(1) (3.11) 一般假设权函数W()=(w1(D),w2(),W()和时间聚合核函数(泛函)K()均为 连续的,实际系统大多如此。由式(3.7~3.11)描述的过程神经元,其内部运算由加权乘 积分、累加和以及激励函数组成,称之为狭义过程神经元 其实,加权聚合算子“⊕”和“⑧”还可以取其它一些形式的运算,例如用max和 min,或T算子和S-算子来构成“⊕”;“⑧”可取褶积、含变参积分等,激励函数∫也可 以是任何形式的有界函数。由式(3.7,3.8,3.11)描述的过程神经元称为广义过程神经元 过程神经元对不同实际问题的适应性和信息处理能力主要取决于时、空聚合算子的形 式。过程神经元通过对训练集中样本的学习,可以对输入的时变信号特征产生过程性记忆, 过程模式特征的提取和记忆以及对时变系统输入输出之间的映射关系反映在过程神经元的 连接权函数上,因此它具有对时变模式的直接分类能力和类似于复合函数的函数映射能力。 多聚合过程神经元 其实,过程神经元的输入和输出函数并不一定仅仅依赖于时间,还可以依赖于其它多种 因素,例如,某一实际系统的输入与空间位置(x,y,z)和时间t有关,其输出是这些因素累 积共同作用的结果,如泥石流的形成,土地砂化程度等,这时系统的输入函数形式应为 u(x,y,=,1)(i=12,…,n),即多因素过程函数。如果用神经元网络对该系统进行仿真建 模,则神经元在对输入信息进行加工时,要对各变量和变量中的各种因素进行空间聚合和过 程聚合,因此可将过程神经元扩展为多聚合过程神经元。 多聚合过程神经元的输入其一般形式为x(1,12x…,p),i=1,2,…,n,lp∈O,T] (P=12,,P),其中T可以为0:输入通道的权函数为多元函数w(1,12x…p)。聚合算 子可为一般的线性或非线性泛函算子,例如空间聚合算子可以取多因素空间加权和运算,多 元过程聚合算子可以取例如多元多重积分、或其它多元代数运算等形式。作为特殊情况,多 聚合过程神经元可以仅有过程聚合或仅有空间聚合。多聚合过程神经元的一般模型如图34 所示。 (1,,)~(t,,4) x2(12,lp) , n(12,lp)3 其中， [0,T] 为时变信号输入过程区间， K() 为 [0,T] 上的一个可积函数，或更一般地设 K() 为一个一元泛函，定义 A(t)  K() = K(A(t)) (3.11) 一般假设权函数 W (t) ( ( ), ( ),..., ( )) 1 2 w t w t w t = n 和时间聚合核函数（泛函） K() 均为 连续的，实际系统大多如此。由式（3.7~3.11）描述的过程神经元，其内部运算由加权乘、 积分、累加和以及激励函数组成，称之为狭义过程神经元。 其实，加权聚合算子“  ”和“  ”还可以取其它一些形式的运算，例如用 max 和 min，或 T–算子和 S–算子来构成“  ”；“  ”可取褶积、含变参积分等，激励函数 f 也可 以是任何形式的有界函数。由式（3.7, 3.8, 3.11）描述的过程神经元称为广义过程神经元。 过程神经元对不同实际问题的适应性和信息处理能力主要取决于时、空聚合算子的形 式。过程神经元通过对训练集中样本的学习，可以对输入的时变信号特征产生过程性记忆， 过程模式特征的提取和记忆以及对时变系统输入输出之间的映射关系反映在过程神经元的 连接权函数上，因此它具有对时变模式的直接分类能力和类似于复合函数的函数映射能力。 多聚合过程神经元 其实，过程神经元的输入和输出函数并不一定仅仅依赖于时间，还可以依赖于其它多种 因素，例如，某一实际系统的输入与空间位置 (x, y,z) 和时间 t 有关，其输出是这些因素累 积共同作用的结果，如泥石流的形成，土地砂化程度等，这时系统的输入函数形式应为 u (x, y,z,t) i （ i = 1,2,...,n ），即多因素过程函数。如果用神经元网络对该系统进行仿真建 模，则神经元在对输入信息进行加工时，要对各变量和变量中的各种因素进行空间聚合和过 程聚合，因此可将过程神经元扩展为多聚合过程神经元。 多聚合过程神经元的输入其一般形式为 ( , ,..., ) i 1 2 P x t t t ，i = 1,2,...,n ， [0, ] p T p t  ( p = 1,2,...,P) ，其中 T p 可以为 0；输入通道的权函数为多元函数 ( , ,..., ) i 1 2 P w t t t 。聚合算 子可为一般的线性或非线性泛函算子，例如空间聚合算子可以取多因素空间加权和运算，多 元过程聚合算子可以取例如多元多重积分、或其它多元代数运算等形式。作为特殊情况，多 聚合过程神经元可以仅有过程聚合或仅有空间聚合。多聚合过程神经元的一般模型如图 3.4 所示。  ( ) 1 x t y  x1(t1,..,tp) x2(t1,..,tp) xn(t1,..,tp) w1(t1,..,tp) wn(t1,…,tp) ⊕, ,K f (·)