BP神经网络的特点.pdfVIP

神经网络 人工神经网络（ Artificial Neural Network ）又称连接机模型，是在现代神经学、 生物学、心理学等学科研究的基础上产生的，它反映了生物神经系统处理外界事物 的基本过程，是在模拟人脑神经组织的基础上发展起来的计算系统，是由大量处理 单元通过广泛互联而构成的网络体系，它具有生物神经系统的基本特征，在一定程 度上反映了人脑功能的若干反映，是对生物系统的某种模拟，具有大规模并行、分 布式处理、自组织、自学习等优点，被广泛应用于语音分析、图像识别、数字水印、 计算机视觉等很多领域，取得了许多突出的成果。最近由于人工神经网络的快速发 展，它已经成为模式识别的强有力的工具。神经网络的运用展开了新的领域，解决 其它模式识别不能解决的问题，其分类功能特别适合于模式识别与分类的应用。 BP 神经网络 在人工神经网络发展历史中，很长一段时间里没有找到隐层的连接权值调整问 题的有效算法。 直到误差反向传播算法（ BP 算法）的提出，成功地解决了求解非线 性连续函数的多层前馈神经网络权重调整问题。 BP (Back Propagation)神经网络， 即误差反传误差反向传播算法的学习过程， 由 信息的正向传播和误差的反向传播两个过程组成。输入层各神经元负责接收来自外 界的输入信息，并传递给中间层各神经元；中间层是内部信息处理层，负责信息变 换，根据信息变化能力的需求，中间层可以设计为单隐层或者多隐层结构；最后一 个隐层传递到输出层各神经元的信息，经进一步处理后，完成一次学习的正向传播 处理过程，由输出层向外界输出信息处理结果。当实际输出与期望输出不符时，进 入误差的反向传播阶段。误差通过输出层，按误差梯度下降的方式修正各层权值， 向隐层、输入层逐层反传。周而复始的信息正向传播和误差反向传播过程，是各层 权值不断调整的过程，也是神经网络学习训练的过程，此过程一直进行到网络输出 的误差减少到可以接受的程度，或者预先设定的学习次数为止。 BP 神经网络模型 BP 网络模型包括其输入输出模型、 作用函数模型、 误差计算 模型和自学习模型。 多层前向 BP 网络是目前应用最多的一种神经网络形式 , 它具备神经网络的普 遍优点，但它也不是非常完美的 , 为了更好的理解应用神经网络进行问题求解 , 这里 对它的优缺点展开一些讨论。 首先 BP 神经网络具有以下优点： 1) 非线性映射能力： BP 神经网络实质上实现了一个从输入到输出的映射功能， 数学理论证明三层的神经网络就能够以任意精度逼近任何非线性连续函数。这使得 其特别适合于求解内部机制复杂的问题，即 BP 神经网络具有较强的非线性映射能 力。 2) 自学习和自适应能力： BP 神经网络在训练时， 能够通过学习自动提取输出、 输出数据间的“合理规则” ，并自适应的将学习内容记忆于网络的权值中。即 BP 神 经网络具有高度自学习和自适应的能力。 3) 泛化能力：所谓泛化能力是指在设计模式分类器时， 即要考虑网络在保证对 所需分类对象进行正确分类，还要关心网络在经过训练后，能否对未见过的模式或 有噪声污染的模式，进行正确的分类。也即 BP 神经网络具有将学习成果应用于新 知识的能力。 4) 容错能力： BP 神经网络在其局部的或者部分的神经元受到破坏后对全局的 训练结果不会造成很大的影响，也就是说即使系统在受到局部损伤时还是可以正常 工作的。即 BP 神经网络具有一定的容错能力。 鉴于 BP 神经网络的这些优点，国内外不少研究学者都对其进行了研究，并运 用网络解决了不少应用问题。 但是随着应用范围的逐步扩大， BP 神经网络也暴露出 了越来越多的缺点和不足，比如： 1) 局部极小化问题： 从数学角度看， 传统的 BP 神经网络为一种局部搜索的优 化方法，它要解决的是一个复杂非线性化问题，网络的权值是通