方式。多层侧抑制网络允许中间层和输出层的同层神经元间存在连接，以实现同层神经元间的横向抑制或兴奋机制，从而有效控制同层神经元被激活的数目；其又可分为两类，即同层神经元的互连仅限于与其邻居神经元的连接（图4-37（ ））以及同层的任意两个神经元间都存在相互连接（图4-37 （心）。多层反馈网络包括图4-37 （ ）所示的“输出-输入”反馈型网络和图4-37 （ ）所杀的邻层反馈型网络，该类型网络的输出由当前输人和前期反馈共同决定。

图4-37政务知识存储之/'（拓扑结构

全互连网络是领域新近提出的进一步接近人脑神经系统结构的拓扑结构。在该结构中，网络中的任意两个神经元之间都存在连接路径。图4-38简要描述了单一层次四神经元所构成的全互连网络的拓扑结构。

当网络发展为多层结构时，其结构将变得异常复杂。全互连网络在经过若干次训练（模式变换）后，可能达到一种平衡状态，从而产生稳定的输出；也可能得不到稳定的输出，而是进人周期性振荡或混沌状态。实际运作中具体采用何种拓扑结构，应视组织具体应用领域的实际情况，并通过多次模拟实验确定。

一般情况下，当一个模型建立起来后，其拓扑结构便固定下来。确定的网络结构对应了确定的知识（权重〉空间分布，但权重的数值分布则要通过对进行的训练与修正得到，是一个动态的维护过程。组织所面对的环境是动态发展的，并且呈现非线性、变化日益剧烈的趋势。因此，实际运作中需要及时对包括样本型政务知识在内的所有知识进行相应的维护与进化处理。这一过程对八来讲，只需用新的样本实例重新训练网络，而不需要对网络结构作新的调整，这是系统可维护性好的具体表现。此外，对于一些特殊应用与要求，亦可使网络拓扑结构随人]的训练过程作动态调整，其算法策略参见相关文献。