Sigmoid函数，即f(x)=1/(1+e-x)。神经元的非线性作用函数。（-x是幂数）
人工神经网络的学习算法-BP算法
神经网络的学习是基于一组样本进行的，它包括输入和输出（这里用期望输出表示），输入和输出有多少个分量就有多少个输入和输出神经元与之对应。最初神经网络的权值（Weight）和阈值（Threshold）是任意给定的，学习就是逐渐调整权值和阈值使得网络的实际输出和期望输出一致。
我们假设样本有P个，输入层有N个神经元，隐含层有K个神经元，输出层有M个神经元。Xj为输入层神经元j的输入，Hj为隐含层神经元j的输出，Fj为输出层神经元j的实际输出，Rj为输出层神经元j的期望输出，前一层的输出即为后一层的输入。Whji是输入层神经元i与隐含层神经元j之间的连接权值，Thj是隐含神经元j的阈值，Woji是隐含层神经元i与输出层神经元j之间的连接权值，Toj是输出神经元j的阈值。神经元的非线性作用函数是Sigmoid函数，即f(x)=1/(1+e-x)。
