S型函數：Sigmoid 函數__網路

Sigmoid函數，即f(x)=1/(1+e-x)。神經元的非線性作用函數。（-x是冪數）

人工神經網路的學習演算法-BP演算法
神經網路的學習是基於一組樣本進行的，它包括輸入和輸出（這裡用期望輸出表示），輸入和輸出有多少個分量就有多少個輸入和輸出神經元與之對應。最初神經網路的權值（Weight）和閾值（Threshold）是任意給定的，學習就是逐漸調整權值和閾值使得網路的實際輸出和期望輸出一致。
我們假設樣本有P個，輸入層有N個神經元，隱含層有K個神經元，輸出層有M個神經元。Xj為輸入層神經元j的輸入，Hj為隱含層神經元j的輸出，Fj為輸出層神經元j的實際輸出，Rj為輸出層神經元j的期望輸出，前一層的輸出即為後一層的輸入。Whji是輸入層神經元i與隱含層神經元j之間的串連權值，Thj是隱含神經元j的閾值，Woji是隱含層神經元i與輸出層神經元j之間的串連權值，Toj是輸出神經元j的閾值。神經元的非線性作用函數是Sigmoid函數，即f(x)=1/(1+e-x)。

from:http://www.shamoxia.com/html/y2009/590.html