总结：
一、研究内容
本文研究了CAL-BP（基于隐层的竞争学习与学习率的自适应的改进BP算法）在症状证型分类预测中的应用。
二、算法思想
1、隐层计算完各节点的误差后，对有最大误差的节点的权值进行正常修正，
而对其它单元的权值都向相反方向修正，用 δ表示隐层节点的权值修正量，
则修正量的调整公式具体为
2、每次算法迭代完以后，计算误差函数的值并与前一次的值进行比较，如果误差函数的值增大，
则代表过调了学习率，应在下一次迭代时以一定比率下调学习率 ]，若误差函数的i+1值减小，
则代表学习率增幅可以加大，用z 代表第次迭代时的学习率，E+ 代表 +1次迭代后
的误差函数具体改变值，则第 +2次迭代时的学习率为：
三、结论
本文中应用改进算法，误差经过反复修改可固定在0.0403，识别率达83.6%，训练时间也从普通1分40缩短到11秒。
CAL-BP比普通的BP收敛快，训练时间少，识别率高等。
四、我的理解
算法方面：对数据的预处理（输入数据的处理和量化处理及输出数据的量化处理）整体上有了一个把握，算法里以前感觉比较抽象的地方，具体化了。
思想方面：利用手头的数据来做一个仿真的具体实践推进了一步。
五、不理解的部分
描述量化的地方，量化值的取值有一个地方没有搞明白（下图荧光色的地方：为什么三种证型，量化值取{0 1 2 3}），需要再琢磨或请教。
算法思想也有不懂的地方，就是公式的表达来源。
其他就是需要自己实践实践了。继续加油嘛~~