（本文不解释神经网络理论的基本概念。对于不熟悉神经网络的人，在阅读之前，建议您阅读以排除进一步的错误。）
本书的本质是使您
熟悉俄语讲的广阔领域所涵盖的某些类型的神经网络，这种情况很少见，即使不是说也很少见。
- 基于规则的神经网络（基于规则的神经网络，以下简称RBNN ）是基于基本规则（例如正则蕴涵）的神经网络，因此大致来说，我们得到了现成的专家系统，但是现在我们已经在训练中。
- 逻辑神经网络可以归因于完全不同的类型，但是我建议将它们归因于RBNN的一种。 逻辑神经网络的概念首先是在A. Barsky的工作中描述的-“逻辑神经网络”。
逻辑神经网络的思想是在隐藏层的每个神经元上建立一种逻辑运算：合取或析取。
第241页上的“逻辑神经网络”一书中的插图
为什么这种神经网络值得参考RBNN？ 因为上述逻辑运算是表示输入参数彼此之间关系的特殊规则。
上面描述的“初始规则”的概念可以更简单地定义-知识库。 对于那些熟悉模糊控制系统的人来说，这个定义将不是新的。
知识库是我们所有规则以“ IF X1 AND \ OR X2 THEN Y”等形式表示的位置。 为什么要提及模糊系统？ 因为模糊调节器的创建可以表示为RBNN的创建的第一阶段，也因为它们促使我想到了将普通神经网络转变为类似事物的想法。
假设我们有一个知识库和一个基于它的小型专家系统。 以图形的形式可以表示为：
资料来源： www.lund.irf.se/HeliosHome/rulebased.html
现在的问题是如何从这个严格的系统中构建学习神经网络？
首先，重要的一点是在每条边上都将权重引入相似的结构中。 每个权重将反映一个或另一个元素与一组其他元素（例如，分别向隐藏层的第一神经元输入参数A，参与AB组）或答案X，Y，Z等之间的关系的概率。
读者可能还不太清楚这样的神经网络可以用在哪里-在这种情况下，我将举一个非常简单的示例：
假设我们没有大量的数据样本，而只有一个“
广义意见”。 我们想创建一个神经网络，为每个人提供一个单独的菜单。
假设我们对该用户的口味和喜好一无所知，但是您仍然需要从某个地方开始。 我们制作一个典型菜单的
通用图：
因此，在早期，人们仅接收这样的菜单，但是由于神经网络对用户的偏好具有“熟悉性”，所以连接早餐和煎蛋的重量变小，并且连接早餐和粥的重量增加。 因此，现在，神经网络可以“清楚地”知道用户到底偏爱一顿或另一顿饭（在这种情况下，事实证明，我们的用户更喜欢早餐而不是鸡蛋来煮粥）。 随着时间的流逝，一个人的喜好可能会改变，神经网络将再次适应他们。
这样啊 至少，在没有大样本的情况下，根本没有样本的情况下，以及当我们需要完全适合特定人的系统时，RBNN都是非常有用的。 而且，这样的神经网络非常简单，这使得它们可用于教育他人并了解神经网络的作用。
以前，通常习惯说神经网络是一个“黑匣子”，其内部的所有内容都无法用一种易于理解的方式来解释。 现在，有了上面介绍的结构，就可以构建一个神经网络，该神经网络不仅有效，而且可以理解周围的机制。