随着机器学习的快速发展,人工神经网络再次引起广大研究人员关注,改善前向神经网络的学习算法一直是该领域的研究热点与难点。本文将从Madaline神经网络(由若干Adaline神经元组成)结构变化对输出的影响(即结构敏感)性角度入手,对Madaline神经网络的结构敏感性计算进行详细推导,以期用网络结构敏感性研究结论来指导Madaline网络的学习,并结合Madaline神经网络的权参数自适应学习算法打造出能使性能满足学习任务且能够优化网络结构的Madaline网络结构自适应结构学习机制。本文的主要研究内容如下:(1)提出了基于网络结构变化下的Madaline神经网络结构敏感性计算算法。网络结构规模变小或变大都会一定程度上影响网络的输出结果,因此,本文提出了基于网络结构的变化下的网络结构敏感性,并推导出计算过程。(2)提出了更为合理的、基于敏感性的Madaline神经网络结构裁剪算法。在本文Madaline网络结构敏感性计算理论的基础上,通过直接计算因裁剪网络结构所导致的网络输出变化,以此来更真实地度量网络因结构裁剪而导致的性能损失,并进一步来指导网络中神经元的裁剪。(3)提出了更为合理的、基于敏感性的Madaline神经网络结构扩展算法。本文的结构扩展算法要求在每次给训练后的网络增加一个隐层节点时,都必须遵循最小扰动原则,通过网络结构的敏感性选出使得网络输出影响小网络结构。(4)提出了基于敏感性的Madaline神经网络结构自适应算法。该算法在网络的学习机制中融入了本文的网络结构扩展算法和网络结构裁剪算法,自适应地实现学习目标,在性能满足学习任务的同时,可优化网络的组成结构,从而提高网络的泛化性能。