传统的梯度下降类神经网络存在着诸如收敛速度慢、局部极小等无法避免的缺点,虽然很多学者从多方面进行了改进,但是这些改进无法从根本上解决问题。因此本文中,用分子三次、分母一次有理插值样条作为权函数,构建分子三次、分母一次第二类有理样条权函数神经网络。分子三次、分母一次第二类有理样条权函数神经网络,解决了传统神经网络初值敏感、局部极小等问题。文中用分子三次、分母一次的有理插值样条作为权函数代替常数权,根据训练样本得到的权函数能够反映数据的潜在信息。当输入样本或者权值存在扰动时,神经网络的输出会发生变化。灵敏度作为神经网络的一个重要指标,可以分析这些变化给系统带来的影响。因此,文中首先将分子三次、分母一次有理插值样条与第二类样条权函数神经网络结合,研究其学习算法。然后对分子三次、分母一次第二类有理样条权函数神经网络的灵敏度进行分析研究。接着进行Matlab仿真,将本文中的神经网络与传统梯度下降类神经网络进行学习能力以及泛化能力的对比。最后,将分子三次、分母一次第二类有理样条权函数神经网络运用到神经网络芯片设计中,完成此种神经网络FPGA实现的模块设计。然后通过Quartus和ModelSim对FPGA方式实现的此种神经网络的泛化能力进行实验验证。通过实验可以看出FPGA实现的分子三次、分母一次第二类有理样条权函数神经网络同样具有很强的泛化能力,适合用来设计专用神经网络芯片。