张 雷 ，刘希玉

（1.山东师范大学 信息科学与工程学院，山东 济南 250014；2.山东师范大学 管理科学与工程学院，山东 济南 250014；3.山东省分布式计算机软件新技术重点实验室，山东 济南 250014）

过程神经元网络模型[1]的提出，为解决与过程有关的系统评价问题提供了一种非传统建模求解问题的方法，也为含有大量时空信息的动态问题的分类和划分提供了一种可探索的途径。

对传神经元网络是Robert Hecht-Nielson于1987年提出的一种三层机构前向型神经元网络模型。与同构网相比，对传神经元网络的异构性使它更接近生物脑神经系统的信息处理机制，在模式识别、模式完善、信号加强等领域具有重要的应用。将传统对传神经元网络向时域进行推广，可构造出对传过程神经元网络模型。对传过程神经元网络对于时变信号模式分类、连接系统信号处理等实际问题具有较大的应用价值。本文重点讨论对传过程神经元网络模型及其学习算法，并用实例验证其模型和算法的有效性。

1 过程神经元

过程神经元由加权、聚合和激励三部分组成，与传统神经元不同之处在于过程神经元的输入和权值都可以是时变的。其聚合运算既有对空间的多输入聚合，也有对时间过程的积累[2-3]。因此过程神经元是传统神经元在时域上的扩展，传统神经元可以看成是过程神经元的特例[4]。单个过程神经元的结构如图1所示。其输入输出关系见式（1）。

图1 过程神经元模型

x1（t），x2（t），…，xn（t）为过程神经元输入，w1（t），w2（t），…，wn（t）为连接权值，K（·）为时间聚合函数，F（·）为激励函数。……