BP（Back Propagation）網(wǎng)絡(luò)是1986年由Rumelhart和McCelland為首的科學(xué)家小組提出，是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，是應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。BP網(wǎng)絡(luò)能學(xué)習(xí)和存貯大量的輸入－輸出模式映射關(guān)系，而無(wú)需事前揭示描述這種映射關(guān)系的數(shù)學(xué)方程。它的學(xué)習(xí)規(guī)則是使用最速下降法，通過(guò)反向傳播來(lái)不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使網(wǎng)絡(luò)的誤差平方和最小。BP神經(jīng)網(wǎng)絡(luò)模型拓?fù)浣Y(jié)構(gòu)包括輸入層（input）、隱層（hide layer）和輸出層（output layer）。

人工神經(jīng)網(wǎng)絡(luò)（artificial neural networks， ANN）系統(tǒng)是20世紀(jì)40年代后出現(xiàn)的，它是由眾多的神經(jīng)元可調(diào)的連接權(quán)值連接而成，具有大規(guī)模并行處理、分布式信息存儲(chǔ)、良好的自組織自學(xué)習(xí)能力等特點(diǎn)，在信息處理、模式識(shí)別、智能控制及系統(tǒng)建模等領(lǐng)域得到越來(lái)越廣泛的應(yīng)用。尤其誤差反向傳播算法（Error Back－propagation Training，簡(jiǎn)稱(chēng)BP網(wǎng)絡(luò)）可以逼近任意連續(xù)函數(shù)，具有很強(qiáng)的非線性映射能力，而且網(wǎng)絡(luò)的中間層數(shù)、各層的處理單元數(shù)及網(wǎng)絡(luò)的學(xué)習(xí)系數(shù)等參數(shù)可根據(jù)具體情況設(shè)定，靈活性很大，所以它在許多應(yīng)用領(lǐng)域中起到重要作用。為了解決BP神經(jīng)網(wǎng)絡(luò)收斂速度慢、不能保證收斂到全局最點(diǎn)，網(wǎng)絡(luò)的中間層及它的單元數(shù)選取無(wú)理論指導(dǎo)及網(wǎng)絡(luò)學(xué)習(xí)和記憶的不穩(wěn)定性等缺陷，提出了許多改進(jìn)算法。

傳統(tǒng)的BP算法簡(jiǎn)述

BP算法是一種有監(jiān)督式的學(xué)習(xí)算法，其主要思想是：輸入學(xué)習(xí)樣本，使用反向傳播算法對(duì)網(wǎng)絡(luò)的權(quán)值和偏差進(jìn)行反復(fù)的調(diào)整訓(xùn)練，使輸出的向量與期望向量盡可能地接近，當(dāng)網(wǎng)絡(luò)輸出層的誤差平方和小于指定的誤差時(shí)訓(xùn)練完成，保存網(wǎng)絡(luò)的權(quán)值和偏差。具體步驟如下：

（1）初始化，隨機(jī)給定各連接權(quán)［w］，［v］及閾值θi，rt。

（2）由給定的輸入輸出模式對(duì)計(jì)算隱層、輸出層各單元輸出

bj＝f（■wijai－θj） ct＝f（■vjtbj－rt）

式中：bj為隱層第j個(gè)神經(jīng)元實(shí)際輸出；ct為輸出層第t個(gè)神經(jīng)元的實(shí)際輸出；wij為輸入層至隱層的連接權(quán)；vjt為隱層至輸出層的連接權(quán)。

dtk＝（ytk－ct）ct（1－ct） ejk＝［■dtvjt］ bj（1－bj）

（3）選取下一個(gè)輸入模式對(duì)返回第2步反復(fù)訓(xùn)練直到網(wǎng)絡(luò)設(shè)輸出誤差達(dá)到要求結(jié)束訓(xùn)練。

傳統(tǒng)的BP算法，實(shí)質(zhì)上是把一組樣本輸入／輸出問(wèn)題轉(zhuǎn)化為一個(gè)非線性優(yōu)化問(wèn)題，并通過(guò)負(fù)梯度下降算法，利用迭代運(yùn)算求解權(quán)值問(wèn)題的一種學(xué)習(xí)方法，但其收斂速度慢且容易陷入局部極小，為此提出了一種新的算法，即高斯消元法。

改進(jìn)的BP網(wǎng)絡(luò)算法

2．1 改進(jìn)算法概述

此前有人提出：任意選定一組自由權(quán)，通過(guò)對(duì)傳遞函數(shù)建立線性方程組，解得待求權(quán)。本文在此基礎(chǔ)上將給定的目標(biāo)輸出直接作為線性方程等式代數(shù)和來(lái)建立線性方程組，不再通過(guò)對(duì)傳遞函數(shù)求逆來(lái)計(jì)算神經(jīng)元的凈輸出，簡(jiǎn)化了運(yùn)算步驟。沒(méi)有采用誤差反饋原理，因此用此法訓(xùn)練出來(lái)的神經(jīng)網(wǎng)絡(luò)結(jié)果與傳統(tǒng)算法是等效的。其基本思想是：由所給的輸入、輸出模式對(duì)通過(guò)作用于神經(jīng)網(wǎng)絡(luò)來(lái)建立線性方程組，運(yùn)用高斯消元法解線性方程組來(lái)求得未知權(quán)值，而未采用傳統(tǒng)BP網(wǎng)絡(luò)的非線性函數(shù)誤差反饋尋優(yōu)的思想。

2．2 改進(jìn)算法的具體步驟

對(duì)給定的樣本模式對(duì)，隨機(jī)選定一組自由權(quán)，作為輸出層和隱含層之間固定權(quán)值，通過(guò)傳遞函數(shù)計(jì)算隱層的實(shí)際輸出，再將輸出層與隱層間的權(quán)值作為待求量，直接將目標(biāo)輸出作為等式的右邊建立方程組來(lái)求解。

現(xiàn)定義如下符號(hào)（見(jiàn)圖1）：x （p）輸入層的輸入矢量；y （p）輸入層輸入為x （p）時(shí)輸出層的實(shí)際輸出矢量；t （p）目標(biāo)輸出矢量；n，m，r分別為輸入層、隱層和輸出層神經(jīng)元個(gè)數(shù)；W為隱層與輸入層間的權(quán)矩陣；V為輸出層與隱層間的權(quán)矩陣。具體步驟如下：

（1）隨機(jī)給定隱層和輸入層間神經(jīng)元的初始權(quán)值wij。

（2）由給定的樣本輸入xi（p）計(jì)算出隱層的實(shí)際輸出aj（p）。為方便起見(jiàn)將圖1網(wǎng)絡(luò)中的閾值寫(xiě)入連接權(quán)中去，令：隱層閾值θj＝wnj，x（n）＝－1，則：

aj（p）＝f（■wijxi（p）） （j＝1，2…m－1）。

（3）計(jì)算輸出層與隱層間的權(quán)值vjr。以輸出層的第r個(gè)神經(jīng)元為對(duì)象，由給定的輸出目標(biāo)值tr（p）作為等式的多項(xiàng)式值建立方程，用線性方程組表示為：

a0（1）v1r＋a1（1）v2r＋…＋am（1）vmr＝tr（1）a0（2）v1r＋a1（2）v2r＋…＋am（2）vmr＝tr（2） ……a0（p）v1r＋a1（p）v2r＋…＋am（p）vmr＝tr（p） 簡(jiǎn)寫(xiě)為： Av＝T

為了使該方程組有唯一解 ［1］  ，方程矩陣A為非奇異矩陣，其秩等于其增廣矩陣的秩，即：r（A）＝r（A┊B），且方程的個(gè)數(shù)等于未知數(shù)的個(gè)數(shù)，故取m＝p，此時(shí)方程組的唯一解為： Vr＝［v0r，v2r，…vmr］（r＝0，1，2…m－1）

（4）重復(fù)第三步就可以求出輸出層m個(gè)神經(jīng)元的權(quán)值，以求的輸出層的權(quán)矩陣加上隨機(jī)固定的隱層與輸入層的權(quán)值就等于神經(jīng)網(wǎng)絡(luò)最后訓(xùn)練的權(quán)矩陣。

計(jì)算機(jī)運(yùn)算實(shí)例

現(xiàn)以神經(jīng)網(wǎng)絡(luò)最簡(jiǎn)單的XOR問(wèn)題用VC編程運(yùn)算進(jìn)行比較（取神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為2－4－1型），傳統(tǒng)算法和改進(jìn)BP算法的誤差（取動(dòng)量因子α＝0．001 5，步長(zhǎng)η＝1．653）