二次型性能修正
当然最小二乘法修正函数是较为原始的方法了，已不大适用于当前复杂的情况了。（我们一直假定的是偏差ek是一个一元函数，但如果偏差为二元甚至多元或者多次函数呢？那函数曲线就不单单是一个U形曲线了。）例如若最终拟合的函数曲线为一个多段多凹曲线时，二次性能修正函数就可能陷入局部最优解（局部U形）。例如下图的曲线：
多凹段曲线
上图多凹段曲线（并不太严谨举例说明足够了）中，有多个U形凹坑，随时一不小心就会陷入一个局部凹坑，但其并不是整个偏差函数趋于零的最小值，可见二次性能修正还有局限性。
但对于一般情况，已经足够了，作为见识神经网络神奇的拟合能力还是可以的。相信AlphaGo的学习修正函数比这个高级的多。
---------------------------------------------分割线---------------------------------------------
接下来进入数学世界。。。有人在其中乐此不彼（例如《知无涯者》中的拉马努金），有人就只有使劲摆摆头了。我呢，处于中间阶段吧，愿意见到数学的神奇，但让我自己深入研究，那就太难为我了。
神经元是以生物研究及大脑的响应机制而建立的拓扑结构网络，模拟神经冲突的过程，多个树突的末端接受外部信号，并传输给神经元处理融合，最后通过轴突将神经传给其它神经元或者效应器。神经元的拓扑结构如图：
神经元拓扑结构
对于第i个神经元，X1、X2、…、Xj为神经元的输入，输入常为对系统模型关键影响的自变量，W1、W2、…、Wj为连接权值调节各个输入量的占重比。将信号结合输入到神经元有多种方式，选取最便捷的线性加权求和可得neti神经元净输入。
式中θi为阀值，当信号强度达到强度θi时才激活。
在拓展构建成多层神经元，就成了神经网络模型。一般来说，神经网络由3种层构成：输入层、隐含层、输出层。
