下载文档原格式
BP神经网络介绍
一、什么是BP神经网络
BP神经网络（Back Propagation Neural Network），简称BP网络，是一种多层前馈神经网络。
它对神经网络中的数据进行反向传播，以获得
最小化计算误差的参数，进而得到最终的分类结果。
一般来说，BP网络
由输入层、隐藏层和输出层组成，输入层将输入数据传递给隐藏层，隐藏
层再将这些数据传递给输出层，最终由输出层输出最终的类别结果。
BP网络的运算原理大致可以分为三个步骤：前向传播、误差反向传
播和参数调整。
在前向传播阶段，BP网络从输入层开始，将输入数据依
次传递给各个隐藏层，并将这些数据转化为输出结果。
在误差反向传播阶段，BP网络从后面向前，利用误差函数计算每层的误差，即：将误差从
输出层一层一层向前传播，以计算各层的权值误差。
最后，在参数调整阶段，BP网络以动量法更新网络中的权值，从而使网络更接近最优解。
二、BP神经网络的优缺点
1、优点
（1）BP神经网络具有非线性分类能力。
BP神经网络可以捕捉和利用
非线性的输入特征，从而进行非线性的分类。
（2）BP神经网络可以自动学习，并能够权衡它的“权衡”参数。
bp神经网络的原理BP神经网络（也称为反向传播神经网络）是一种基于多层前馈网络的强大机器学习模型。
它可以用于分类、回归和其他许多任务。
BP神经网络的原理基于反向传播算法，通过反向传播误差来调整神经网络的权重和偏差，从而使网络能够学习和适应输入数据。
BP神经网络的基本结构包括输入层、隐藏层和输出层。
每个层都由神经元组成，每个神经元都与上一层的所有神经元连接，并具有一个权重值。
神经元的输入是上一层的输出，通过加权和和激活函数后得到输出。
通过网络中的连接和权重，每层的输出被传递到下一层，最终得到输出层的结果。
BP神经网络的训练包括两个关键步骤：前向传播和反向传播。
前向传播是指通过网络将输入数据从输入层传递到输出层，计算网络的输出结果。
反向传播是基于网络输出结果与真实标签的误差，从输出层向输入层逆向传播误差，并根据误差调整权重和偏差。
在反向传播过程中，通过计算每个神经元的误差梯度，我们可以使用梯度下降算法更新网络中的权重和偏差。
误差梯度是指误差对权重和偏差的偏导数，衡量了误差对于权重和偏差的影响程度。
利用误差梯度，我们可以将误差从输出层反向传播到隐藏层和输入层，同时更新每层的权重和偏差，从而不断优化网络的性能。
通过多次迭代训练，BP神经网络可以逐渐减少误差，并提高对输入数据的泛化能力。
然而，BP神经网络也存在一些问题，如容易陷入局部最优解、过拟合等。
为了克服这些问题，可以采用一些技巧，如正则化、随机初始权重、早停等方法。
总结而言，BP神经网络的原理是通过前向传播和反向传播算法来训练网络，实现对输入数据的学习和预测。
通过调整权重和偏差，网络可以逐渐减少误差，提高准确性。
BP神经网络概述BP神经网络由输入层、隐藏层和输出层组成。
输入层接收外界输入的数据，隐藏层对输入层的信息进行处理和转化，输出层输出最终的结果。
网络的每一个节点称为神经元，神经元之间的连接具有不同的权值，通过权值的调整和激活函数的作用，网络可以学习到输入和输出之间的关系。
BP神经网络的学习过程主要包括前向传播和反向传播两个阶段。
前向传播时，输入数据通过输入层向前传递到隐藏层和输出层，计算出网络的输出结果；然后通过与实际结果比较，计算误差函数。
反向传播时，根据误差函数，从输出层开始逆向调整权值和偏置，通过梯度下降算法更新权值，使得误差最小化，从而实现网络的学习和调整。
BP神经网络通过多次迭代学习，不断调整权值和偏置，逐渐提高网络的性能。
学习率是调整权值和偏置的重要参数，过大或过小的学习率都会导致学习过程不稳定。
此外，网络的结构、激活函数的选择、错误函数的定义等也会影响网络的学习效果。
BP神经网络在各个领域都有广泛的应用。
在模式识别中，BP神经网络可以从大量的样本中学习特征，实现目标检测、人脸识别、手写识别等任务。
在数据挖掘中，BP神经网络可以通过对历史数据的学习，预测未来的趋势和模式，用于市场预测、股票分析等。
在预测分析中，BP神经网络可以根据历史数据，预测未来的房价、气温、销售额等。
综上所述，BP神经网络是一种强大的人工神经网络模型，具有非线性逼近能力和学习能力，广泛应用于模式识别、数据挖掘、预测分析等领域。
尽管有一些缺点，但随着技术的发展，BP神经网络仍然是一种非常有潜力和应用价值的模型。
BP神经网络的基本原理_一看就懂BP神经网络（Back Propagation Neural Network）是一种常用的人工神经网络模型，用于解决分类、回归和模式识别问题。
它的基本原理是通过反向传播算法来训练和调整网络中的权重和偏置，以使网络能够逐渐逼近目标输出。
1.前向传播：在训练之前，需要对网络进行初始化，包括随机初始化权重和偏置。
输入数据通过输入层传递到隐藏层，在隐藏层中进行线性加权和非线性激活运算，然后传递给输出层。
线性加权运算指的是将输入数据与对应的权重相乘，然后将结果进行求和。
非线性激活指的是对线性加权和的结果应用一个激活函数，常见的激活函数有sigmoid函数、ReLU函数等。
激活函数的作用是将线性运算的结果映射到一个非线性的范围内，增加模型的非线性表达能力。
2.计算损失：将网络输出的结果与真实值进行比较，计算损失函数。
常用的损失函数有均方误差（Mean Squared Error）和交叉熵（Cross Entropy）等，用于衡量模型的输出与真实值之间的差异程度。
3.反向传播：通过反向传播算法，将损失函数的梯度从输出层传播回隐藏层和输入层，以便调整网络的权重和偏置。
反向传播算法的核心思想是使用链式法则。
首先计算输出层的梯度，即损失函数对输出层输出的导数。
然后将该梯度传递回隐藏层，更新隐藏层的权重和偏置。
接着继续向输入层传播，直到更新输入层的权重和偏置。
在传播过程中，需要选择一个优化算法来更新网络参数，常用的优化算法有梯度下降（Gradient Descent）和随机梯度下降（Stochastic Gradient Descent）等。
4.权重和偏置更新：根据反向传播计算得到的梯度，使用优化算法更新网络中的权重和偏置，逐步减小损失函数的值。
权重的更新通常按照以下公式进行：新权重=旧权重-学习率×梯度其中，学习率是一个超参数，控制更新的步长大小。
梯度是损失函数对权重的导数，表示了损失函数关于权重的变化率。
BP神经网络框架BP（Back Propagation）网络是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。
BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。
它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。
BP神经网络模型拓扑结构包括输入层（input）、隐层(hide layer)和输出层(output layer)。
1BP神经网络基本原理BP神经网络的基本原理可以分为如下几个步骤：（1）输入信号Xi→中间节点（隐层点）→输出节点→输出信号Yk；（2）网络训练的每个样本包括输入向量X和期望输出量t，网络输出值Y 和期望输出值t之间的偏差。
（3）通过调整输入节点与隐层节点的联接强度取值Wij和隐层节点与输出节点之间的联接强度取值Tjk，以及阈值，使误差沿梯度方向下降。
（4）经过反复学习训练，确定与最小误差相对应的网络参数（权值和阈值），训练到此停止。
（5）经过上述训练的神经网络即能对类似样本的输入信息，自行处理输出误差最小的经过非线性转换的信息。
2BP神经网络涉及的主要模型和函数BP神经网络模型包括输入输出模型、作用函数模型、误差计算模型和自学习模型。
输出模型又分为：隐节点输出模型和输出节点输出模型。
下面将逐个介绍。
（1）作用函数模型作用函数模型，又称刺激函数，反映下层输入对上层节点刺激脉冲强度的函数。
一般取（0,1）内的连续取值函数Sigmoid函数：f x=11+e^(−x)（2）误差计算模型误差计算模型反映神经网络期望输出与计算输出之间误差大小的函数：Ep=12(tpi−Opi)2其中，tpi为i节点的期望输出值；Opi为i节点的计算输出值。
（3）自学习模型自学习模型是连接下层节点和上层节点之间的权重矩阵Wij的设定和修正过程。
bp神经网络原理
BP神经网络，全称为反向传播神经网络，是一种常用的前馈
神经网络，通过反向传播算法来训练网络模型，实现对输入数据的分类、回归等任务。
BP神经网络主要由输入层、隐藏层
和输出层构成。
在BP神经网络中，每个神经元都有自己的权重和偏置值。
数
据从输入层进入神经网络，经过隐藏层的计算后传递到输出层。
神经网络会根据当前的权重和偏置值计算输出值，并与真实值进行比较，得到一个误差值。
然后，误差值会反向传播到隐藏层和输入层，通过调整权重和偏置值来最小化误差值。
这一过程需要多次迭代，直到网络输出与真实值的误差达到可接受的范围。
具体而言，BP神经网络通过梯度下降算法来调整权重和偏置值。
首先，计算输出层神经元的误差值，然后根据链式求导法则，将误差值分配到隐藏层的神经元。
最后，根据误差值和激活函数的导数，更新每个神经元的权重和偏置值。
这个过程反复进行，直到达到停止条件。
BP神经网络的优点是可以处理非线性问题，并且具有较强的
自适应能力。
同时，BP神经网络还可以通过增加隐藏层和神
经元的数量来提高网络的学习能力。
然而，BP神经网络也存
在一些问题，如容易陷入局部最优解，训练速度较慢等。
总结来说，BP神经网络是一种基于反向传播算法的前馈神经
网络，通过多次迭代调整权重和偏置值来实现模型的训练。
它
可以应用于分类、回归等任务，并具有较强的自适应能力。
但同时也有一些问题需要注意。
BP神经网络BP神经网络今天来讲BP神经网络，神经网络在机器学习中应用比较广泛，比如函数逼近，模式识别，分类，数据压缩，数据挖掘等领域。
接下来介绍BP神经网络的原理及实现。
Contents1. BP神经网络的认识2. 隐含层的选取3. 正向传递子过程4. 反向传递子过程5. BP神经网络的注意点6. BP神经网络的C 实现1. BP神经网络的认识BP（Back Propagation）神经网络分为两个过程（1）工作信号正向传递子过程（2）误差信号反向传递子过程在BP神经网络中，单个样本有个输入，有个输出，在输入层和输出层之间通常还有若干个隐含层。
实际上，1989年Robert Hecht-Nielsen证明了对于任何闭区间内的一个连续函数都可以用一个隐含层的BP网络来逼近，这就是万能逼近定理。
所以一个三层的BP网络就可以完成任意的维到维的映射。
即这三层分别是输入层（I），隐含层（H），输出层（O）。
如下图示2. 隐含层的选取在BP神经网络中，输入层和输出层的节点个数都是确定的，而隐含层节点个数不确定，那么应该设置为多少才合适呢？实际上，隐含层节点个数的多少对神经网络的性能是有影响的，有一个经验公式可以确定隐含层节点数目，如下其中为隐含层节点数目，为输入层节点数目，为输出层节点数目，为之间的调节常数。
3. 正向传递子过程现在设节点和节点之间的权值为，节点的阀值为，每个节点的输出值为，而每个节点的输出值是根据上层所有节点的输出值、当前节点与上一层所有节点的权值和当前节点的阀值还有激活函数来实现的。
具体计算方法如下其中为激活函数，一般选取S型函数或者线性函数。
正向传递的过程比较简单，按照上述公式计算即可。
在BP神经网络中，输入层节点没有阀值。
4. 反向传递子过程在BP神经网络中，误差信号反向传递子过程比较复杂，它是基于Widrow-Hoff学习规则的。
假设输出层的所有结果为，误差函数如下而BP神经网络的主要目的是反复修正权值和阀值，使得误差函数值达到最小。
第四章人工神经网络与深度学习课题名称：人工神经网络与深度学习学习过程：络曾历经质疑、批判与冷落，同时也几度繁荣并取得了许多瞩目的成就。
从20世纪40年代的M-P神经元和Hebb学习规则，到50年代的Hodykin-Huxley方程感知器模型与自适应滤波器，再到60年代的自组织映射网络、神经认知机、自适应共振网络，许多神经计算模型都发展成为信号处理、计算机视觉、自然语言处理与优化计算等领域的经典方法，为该领域带来了里程碑式的影响。
目前模拟人脑复杂的层次化认知特点的深度学习已经成为类脑智能中的一个重要研究方向。
通过增加网络层数所构造的“深层神经网络”使机器能够获得“抽象概念”能力，在诸多领域都取得了巨大的成功，又掀起了神经网络研究和应用的一个新高潮。
(三)神经元人脑中的信息处理单元是神经细胞，而人工神经网络的计算单元就是人工神经元,，一个人工神经元的结构如图所示。
（1）来自其他神经元的输入信号为（x1, x2, ..., xn）。
（2）每一个输入信号都有一个与之对应的突触权重（w1, w2, ..., wn），权重（weight）的高低反映了输入信号对神经元的重要性。
（3）线性聚合器（∑）将经过加权的输入信号相加，生成一个“激活电压”（activation voltage）。
（4）激活阈值（activation threshold）或bias（θ）给神经元的输出设置一个阈值。
（5）激活电位（activation potential）u是线性聚合器和激活阈值之差，如果u≥0，神经元产生的就是兴奋信号，如果u<0，神经元产生的是抑制信号。
（6）激活函数（activation function）g将神经元的输出限制在一个合理的范围内。
（7）神经元产生的输出信号（y），可以传递给与之相连的其他神经元。
将上述信息用公式可表示为：（四）归纳总结整体了解人工神经网络的发展概况以及神经元的相关工作原理，同时通过案例导读了解人工神经网络的当前应用情况。
机器学习第四章神经网络报告一、神经网络概述1.简介人工神经网络是模仿脑细胞结构和功能、脑神经结构以及思维处理问题等脑功能的信息处系统，它从模仿人脑智能的角度出发，探寻新的信息表示、存储和处理方式，这种神经网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的，它采用了与传统人工智能和信息处理技术完全不同的机理，克服了传统的基于逻辑符号的人工智能在处理直觉、非结有针对性化信息方面的缺陷，具有自适应、自组织和实时学习的特点，它通过预先提供的一批相互对应的输入和输出数据，分析掌握两者之间潜在的规律，最终根据这些规律，用新的输入数据来推算输出结果。
人工神经网络（ANN）学习对于训练数据中的错误健壮性很好，且已被成功地应用到很多领域，例如视觉场景分析、语音识别、机器人控制以及医学图像处理等。
人工神经网络2.人工神经网络的特点及功能2.1人工神经网络具有以下几个突出的优点：（1）能充分逼近复杂的非线性关系。
只有当神经元对所有输入信号的综合处理结果超过某一个限值后才能输出一个信号。
（2）所有定量或定性的信息都等势分布贮存于网络内的各神经元，每个神经元及其连线只能表示一部分信息，因此当有节点断裂时也不影响总体运行效果，具有很强的鲁棒性和容错能力。
（3）采用并行分布处理方法，使得快速进行大量运算成为可能。
（4）可学习和自适应不知道或不确定的系统。
2.2人工神经网络的特点和优越性，使其具有以下三个显著的功能：（1）具有自学习功能：这种功能在图像识别和处理以及未来预测方面表现得尤为明显。
自学习功能在未来预测方面也意义重大，随着人工神经网络的发展，未来它将在更多的领域，比如经济预测、市场预测、效益预测等等，发挥更好的作用。
（2）具有联想存储功能：人的大脑能够对一些相关的知识进行归类划分，进而具有联想的功能，当我们遇到一个人或者一件事情的时候，跟此人或者此事相关的一些信息会浮现在你的脑海，而人工神经网络则通过它的反馈网络，实现一些相关事物的联想。
BP神经网络在函数逼近中的实现1.1 概述BP神经网络是目前人工神经网络模式中最具代表性,应用得最广泛的一种模型,具有自学习、自组织、自适应和很强的非线性映射能力,可以以任意精度逼近任意连续函数.近年来,为了解决BP网络收敛速度慢,训练时间长等不足,提出了许多改进算法.然而,在针对实际问题的BP网络建模过程中,选择多少层网络,每层多少个神经元节点,选择何种传递函数等,均无可行的理论指导,只能通过大量的实验计算获得.MATLAB中的神经网络工具箱(Neural NetworkToolbox,简称NNbox),为解决这一问题提供了便利的条件.神经网络工具箱功能十分完善,提供了各种MATLAB函数,包括神经网络的建立、训练和仿真等函数,以及各种改进训练算法函数,用户可以很方便地进行神经网络的设计和仿真,也可以在MATLAB源文件的基础上进行适当修改,形成自己的工具包以满足实际需要。
此项课题主要是针对MATLAB软件对BP神经网络的各种算法的编程，将神经网络算法应用于函数逼近和样本含量估计问题中，并分析比较相关参数对算法运行结果的影响。
人工神经网络（Artificial Neural Networks，NN）是由大量的、简单的处理单元（称为神经元）广泛地互相连接而形成的复杂网络系统，它反映了人脑功能的许多基本特征，是一个高度复杂的非线性动力学系统。
神经网络具有大规模并行、分布式存储和处理、自组织、自适应和自学习能力，特别适合处理需要同时考虑许多因素和条件的、不精确和模糊的信息处理问题。
神经网络的发展与神经科学、数理科学、认知科学、计算机科学、人工智能、信息科学、控制论、机器人学、微电子学、心理学、微电子学、心理学、光计算、分子生物学等有关，是一门新兴的边缘交叉学科。
神经网络具有非线性自适应的信息处理能力，克服了传统人工智能方法对于直觉的缺陷，因而在神经专家系统、模式识别、智能控制、组合优化、预测等领域得到成功应用。
BP神经⽹络 百度百科 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。
（1）节点输出模型 隐节点输出模型：Oj=f(∑Wij×Xi-qj) (1) 输出节点输出模型：Yk=f(∑Tjk×Oj-qk) (2) f-⾮线形作⽤函数；q -神经单元阈值。
图1 典型BP⽹络结构模型 （2）作⽤函数模型 作⽤函数是反映下层输⼊对上层节点刺激脉冲强度的函数⼜称刺激函数，⼀般取为(0,1)内连续取值Sigmoid函数：f(x)=1/(1+e) （3） （3）误差计算模型 误差计算模型是反映神经⽹络期望输出与计算输出之间误差⼤⼩的函数： Ep=1/2×∑(tpi-Opi) (4) tpi- i节点的期望输出值；Opi-i节点计算输出值。
（4）⾃学习模型 神经⽹络的学习过程，即连接下层节点和上层节点之间的权重拒阵Wij的设定和误差修正过程。
第四章BP神经网络
Minsky和Papert的论点曾使许多人对神经网络的研究失去了信心，但仍有许多学者坚持这方面的研究。
Rumelhart、McClelland和他们的同事洞察到神经网络信息处理的重要性，于1985年发展了BP网络学习算法，实现了Minsky的多层网络设想。
BP网络是一种多层前馈型神经网络，其神经元的传递是S型函数，输出量为0到1之间的连续量，它可以实现从输入到输出的任意非线性映射。
由于权值的调整采用反向传播学习算法，因此也常称其为BP网络（Back Propagation Network）。
目前，在人工神经网络的实际应用中，绝大部分的神经网络模型都采用BP网络慢及其变化形式。
它也是前向网络的核心部分，体现了人工神经网络的精华。
BP网络主要用于以下四个方面。
1）函数逼近：用输入向量和相应的输出向量训练一个网络逼近一个函数。
2）模式识别：用一个待定的输出向量将它与输入向量联系起来。
3）分类：把输入向量所定义的合适方式进行分类。
4）数据压缩：减少输出向量维数以便于传输或存储。
2.1人工神经网络
神经科学研究表明，生物神经系统是由大量的神经细胞或神经元广泛相互连接组成的，一个神经元与另一个神经元密切接触，传递神经冲动，实习信息传递。
人的大脑皮层由六个不同的功能区组成的，上面布满了大约1.4*1011个神经细胞，它相当于一万台大型计算机并行运行。
所以说，人脑是一个广泛相互连接的复杂非线性系统，这种系统具有特殊的信息处理功能。
人工神经网络（简称神经网络）是神经系统的模拟，包括了大脑神经系统的许多特征。
研究人的大脑的目的就是试图模拟人脑信息处理机制来设计新一代智能型计算机，所以，在工程上我们所研究的都是人工神经网络（Artificial Neural Network，简称ANN）的范畴。
为此，美国的神经网络学家Hecht Nielsen给出人工神经网络的一般定义：神经网络是由多个非常简单的处理单元彼此按某种方式相互连接而形成的计算机系统，该系统是靠其状态对外部输入信息的动态响应来处理信息的。
因此你就，我们所指的神经网络都是指人工神经网络。
2.2发展简史
最早用数学模型对神经系统中的神经元径向理论建模的是美国心理学家麦卡洛克（W.McCulloch）和数学家皮茨（W.Pitts）。
1943年，美国心理学家W.S.Mcculloch和数学家W.A.Pitts提出了一个非常简单的神经元模型——MP模型。
模型将神经元当作一个功能逻辑器件来对待，从而开创了神经网络模型的理论研究。
1957年，Roscnblatt在MP模型的基础上，提出了感知器（Perceptron）的概念，并第一次把神经网络的研究从纯理论的探讨付诸于工程实现。
感知器是第一个真正意义上的神经网络，包括了许多现代神经网络的基本原理，整个模型的结构大体上符合神经生理学知识。
Rosenblatt给出了两层感知器的收敛定理，并提出了引入隐层处理单元的三层感知器。
感知器模型的提出吸引了众多学者加入到神经网络的研究中了。
1959年，美国工程师威德罗（B.Widrow）和霍夫（M.Hoff）提出了自适应线性元件和被称为Widrow——Hoff学习规则（又称学习规则）的神经网络训练方法。
它是感知器的变化形式，尤其在修正权矢量的算法上进行了改进，不仅提高了训练收敛速度，而且还做成了硬件，并将训练厚的人工神经网络成功地用于抵消通讯中的回波和噪声，成为第一个用于
解决实际问题的人工神经网络。
1969年，人工智能创始人之一明斯基（M.Minsky）和帕伯特（S.Papert）在合著的《感知器》一书中对以单层感知器为代表的简单人工神经网络的功能及其局限性从数学上进行了深入的分析，使得当时许多神经网络研究者感到前途渺茫，客观上对神经网络理论的发展起了一定的消极作用。
1982年，美国学者霍普菲尔德（Hopfield）提出了一种反馈神经网络，用于联想记忆和优化计算。
1984年，Hopfield又提出了连续的Hopfield神经网络模型，将神经元的响应函数由离散的二值改为连续的模拟值。
1986年，儒默哈特（D.E.Rumelhart）等人提出了解决多层神经网络权值修正的算法——误差反向传播法（BP算法），成为当前应用最为广泛的神经网络模型，找到了解决明斯基和帕伯特提出的问题的办法，从而给人工神经网络添加了活力，使其得以全面迅速地恢复发展起来。
1987年6月在美国圣地亚哥召开了第一届世界神经网络会议，标志着神经网络研究在世界范围内形成了高潮。
进入90年代后，神经网络的国际会议连接不断。
1989年我国在广州召开了全国第一届神经网络信号处理会议1991年在南京召开了第三、四、五、六届C2N2大会。
智能控制作为一门新兴的交叉学科，在许多方面都优于传统控制，而智能控制中的人工神经网络由于模仿人类的神经网络，具有感知识别、学习、联想、记忆、推理等智能，更是有着广阔的发展前景。
其中最核心的是反向传播网络（Back Propagation Network），简称BP 网络。
本文介绍BP神经网络，并用两类不同的数据对该神经网络进行训练，然后运用训练后的网络对字符进行识别。
1011。
