a) Theo số lớp người ta chia làm hai loại:
Trong hình 2.9 (a) Mạng một lớp (Perceptron) là mạng chỉ có một lớp vào cũng là lớp Nn và lớp ra. Hình (b), mạng gồm ba lớp hay còn gọi là mạng (Multi layer
Perceptron): Lớp nhập (input), lớp Nn, và lớp xuất (output). Mỗi nút trong lớp nhận
nhận giá trị của một biến độc lập và chuyển vào mạng. Dữ liệu từ tất cả các nút trong lớp nhập được tích hợp – ta gọi là tổng trọng hóa – và chuyển kết quả cho các nút trong lớp Nn.
Hình 2.9 a) Mạng một lớp b) Mạng nhiều lớp
Gọi là “Nn”, vì các nút trong lớp này chỉ liên lạc với các nút trong các lớp nhập xuất. tương tự nút trong lớp xuất cũng nhận các tín hiệu tổng trọng hóa từ các nút Nn. Mỗi nút trong lớp xuất tương ứng một biến phụ thuộc. Phần lớn các bài toán chỉ có một biến phụ thuộc, nhưng với mô hình như trên, MN R cho phép số biến tùy ý.
Thí dụ, nếu mạng cần nhận dạng các chữ số thì ta có thể xây dựng một mạng với 10 nút xuất; hoặc dự báo phụ tải chỉ cần một nút xuất cho cả chuổi giá trị cần dự báo.
b) Theo kiểu liên kết có thể phân thành:
Mạng truyền thẳng: Các liên kết nơ ron đi theo một hướng nhất định, không tạo thành chu trình với các đỉnh là các nơ ron.
Mạng hồi qui: Cho phép các nơ ron tạo thành chu trình, trong đó một hoặc nhiều đầu ra của phần tử lớp sau truyền ngược tới đầu vào của lớp trước.
Hình 2.10 Mạng truyền thẳng Hình 2.11 Mạng hồi qui
Mạng tự tổ chức: Xây dựng dựa trên pôto giống bộ não người, các nơ ron được phân bố trong lớp sao cho có mối liên hệ về không gian. Nghĩa là tín hiệu vào tương tự nhau sẽ kích hoạt các nơ ron gần nhau trong không gian