人工神经网络学习类型学习是神经网络研究的一个重要内容，它的适应性是通过学习实现的

根据环境的变化，对权值进行调整，改善系统的行为

由Hebb提出的Hebb学习规则为神经网络的学习算法奠定了基础

Hebb规则认为学习过程最终发生在神经元之间的突触部位，突触的联系强度随着突触前后神经元的活动而变化

在此基础上，人们提出了各种学习规则和算法，以适应不同网络模型的需要

有效的学习算法，使得神经网络能够通过连接权值的调整，构造客观世界的内在表示，形成具有特色的信息处理方法，信息存储和处理体现在网络的连接中

分类根据学习环境不同，神经网络的学习方式可分为监督学习和非监督学习

在监督学习中，将训练样本的数据加到网络输入端，同时将相应的期望输出与网络输出相比较，得到误差信号，以此控制权值连接强度的调整，经多次训练后收敛到一个确定的权值

当样本情况发生变化时，经学习可以修改权值以适应新的环境

使用监督学习的神经网络模型有反传网络、感知器等

非监督学习时，事先不给定标准样本，直接将网络置于环境之中，学习阶段与工作阶段成为一体

此时，学习规律的变化服从连接权值的演变方程

非监督学习最简单的例子是Hebb学习规则

竞争学习规则是一个更复杂的非监督学习的例子，它是根据已建立的聚类进行权值调整

自组织映射、适应谐振理论网络等都是与竞争学习有关的典型模型

以上内容由大学时代综合整理自互联网，实际情况请以官方资料为准。