3.2 基于径向基函数神经网络的模式识别
径向基函数神经网络是具有单隐层的三层前馈型网络，能够以任意精度逼近任意连续函数，具有最佳逼近，克服局部极小值问题的性能。它对于每个训练样品，只要对少量的权值和阀值进行修正，这样就提高了训练速度。径向基函数神经网络学习方式分第一步是无监督的学习方式，第二步是有监督学习方式。
3.3 基于自组织竞争神经网络的模式识别
自组织竞争神经网络是一类无监督竞争型学习的神经网络模型，具有自组织能力的神经网络，可以对样本空间进行学习或仿真，并对自身的网络结构进行适当地调整修正。竞争型神经网络适用于具有明显分类特征的模式分明类，但是有两个输入向量非常接近时，竞争型就把它们归为一类。当引入自组织映射网络进行严格的指定目标分类结果时，网络则可以完成对输入向量模式的准确分类。
(2)网络初始化，训练仿真并测试网络，得出识别结果。 我们需要使用Elman神经网络检测一个单个输入值，并且在每一个时间步长上输出一个单值信号，于是可以设计网络参数。将第一层设计8个递归神经元，设置训练时间步长为800时间单位，采用traingdx函数来学习速率，从而有： %开始生成网络
R=1; % 一个输入元件
S2=1; % 第二层一个输出神经元
S1=8;% 在第一层中包含8个递归神经元单元
net=newelm([-3 3],[S1 S2],{'tansig','purelin'},'traingdx'); %训练网络
net.trainParam.epochs = 300; %设置训练时间为300个时间单位
[net,tr]=train(net,Ps,Ts);
%开始测试网络性能
a1 = sim(net,Ps); | 
