通信工程文献翻译——神经网络作为非线性信号的处理器，它非常强大，但获得的结果往往远远不能令人满意。本文的目的是找出这些不满意的原因，并给出如何成功的使用这些神经网络。以下是神经网络应用面临的主要挑战：

1）应该使用哪些神经网络结构？

2）神经网络应该有多大？

3）哪种学习算法最合适？

多层感知器（MLP）结构（图1），不幸的是，这是大多数研究人员首选的神经网络拓扑。 它是最古老的神经网络结构，与所有训练软件兼容。然而，在本文的后半部分，MLP结构却很少会给出积极的结果。 MLP拓扑结构没有其他拓扑结构那么强大，如桥接多层感知器（BMLP），BMLP中允许跨层的连接（在图2中以虚线标记）。

如图1和图2所示，MLP和BMLP结构都具有四层，三个输入节点。第一个隐藏层中有四个神经元，第二隐藏层中有三个神经元和输出层中有一个神经元。当神经网络跨层连接时，这些拓扑的速记符号为3-4-3-1和3=4=3=1，其中“=”字符替换“ - ”字符。在“神经结构的比较”一节中给出了几种神经网络结构的比较。

选择神经网络结构后，下一个问题是应使用多大的神经网络，这将在“使用最小的网络大小”部分中进行说明。确保较大的神经网络的训练更容易收敛，但是这种成功往往具有误导性，因为具有过多神经元的神经网络没有很好的插值能力并且在训练过程中不能正确处理未使用的新模式。

误差传播（EBP）算法，是最流行的学习算法，但是它的速度很慢，很少给出足够的结果。 EBP.......

Neural networks are very

powerful as nonlinear signal

processors, but obtained results are often far from satisfactory. The purpose of this article is to evaluate the reasons for these frustrations and show how to make these neural networks successful. The following are the main challenges of neural network applications:

1) Which neural network architectures should be used?

2) How large should a neural network be?

3) Which learning algorithms are most suitable?

The multilayer perceptron (MLP) architecture (Figure 1) is unfortunately the preferred neural network topology of most researchers [1], [2]. It is the oldest neural network architecture, and it is compatible with all training softwares. However, it will be shown in the latter part of this article that MLP architectures seldom give positive results. The MLP topology is less powerful than other topologies such as bridged multilayer perceptron (BMLP), where connections across layers are allowed (marked as dotted lines in Figure 2).

Both MLP and BMLP architectures, as shown in Figures 1 and 2, have four layers, three input nodes, four neurons in the first hidden layer, three......