BPBack Propagation算法是一种常用的人工神经网络训练算法，是通过反向传播来调整神经网络权值的算法在人工神经网络中，BP算法的作用是帮助神经网络对输入的数据进行学习，并通过学习来调整神经网络的权值，以使得神经网络能够较好地对未知数据进行预测。

1986年，神经网络领域迎来了一次革命性的突破，Back PropagationBP算法由Rumelhart和McClelland联手推出，从此，深度学习的神经网络训练有了强大的工具BP，作为神经网络训练的核心算法，它的核心思想是通过误差的反向传播，解决非线性问题，实现模型的深度学习理解BP学习规则 BP的学习规则基于期望输出与实。

图 1 所示是一个简单的三层两个隐藏层，一个输出层神经网络结构，假设我们使用这个神经网络来解决二分类问题，我们给这个网络一个输入样本 ，通过前向运算得到输出 输出值 的值域为 ，例如 的值越接近0，代表该样本是quot0quot类的可能性越大，反之是quot1quot类的可能性大为了便于理解后续的。

人工神经网络Artificial Neural Networks，ANN系统是 20 世纪 40 年代后出现的它是由众多的神经元可调的连接权值连接而成具有大规模并行处理分布式信息存储良好的自组织自学习能力等特点BPBack Propagation算法又称为误差 反向传播算法，是人工神经网络中的一种监督式的学习算法BP 神经。

1BPBack 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。

伤寒副伤寒流行预测模型BP神经网络的建立由于目前研究的各种数学模型或多或少存在使用条件的局限性，或使用方法的复杂性等问题，预测效果均不十分理想，距离实际应用仍有较大差距NNT是Matlab 中较为重要的一个。

1基于动力特性参数的桥梁结构损伤诊断长期以来，基于动力特性的结构故障诊断方法一直是国际学术界和工程界关注的热点问题，但至今仍缺乏有效的解决方案这些研究工作大致可以分为基于模态模型的解析法和基于神经网络技术的非线性映射法从逻辑上讲，要进行桥梁结构损伤诊断，首先需要解决损伤识别指标的选择。

BP算法是迄今最成功的神经网络学习算法，现实任务中使用神经网络时，大多是在使用BP算法进行训练2，包括最近炙手可热的深度学习概念下的卷积神经网络CNNsBP神经网络是这样一种神经网络模型，它是由一个输入层一个输出层和一个或多个隐层构成，它的激活函数采用sigmoid函数，采用BP算法训练的多层。

神经网络的研究内容相当广泛，反映了多学科交叉技术领域的特点主要的研究工作集中在以下几个方面1生物原型研究从生理学心理学解剖学脑科学病理学等生物科学方面研究神经细胞神经网络神经系统的生物原型结构及其功能机理2建立理论模型根据生物原型的研究，建立神经元神经网络的。

即当给一个训练好的网络提供新的学习记忆模式时，将使已有的连接权值打乱，导致已记忆的学习模式的信息消失5网络中间层隐含层的层数及它的单元数的选取无理论上的指导，而是根据经验确定，因此网络的设计有时不一定是最佳的方案参考资料引用基于遗传算法和BP神经网络的蛋白质二级结构预测研究。

在网络的工作阶段，根据训练好的网络权值及给定的输入向量，按照“模式顺传播”方式求得与输入向量相对应的输出向量的解答阎平凡，2000BP算法是一种比较成熟的有指导的训练方法，是一个单向传播的多层前馈网络它包含输入层隐含层输出层，如图44所示图44 地下水质量评价的BP神经网络模型。

#8194即用非线性小波基取代了通常的非线性Sigmoid#8194函数，其信号表述是通过将所选取的小波基进行线性叠加来表现的它避免了BP#8194神经网络结构设计的盲目性和局部最优等非线性优化问题，大大简化了训练，具有较强的函数学习能力和推广能力及广阔的应用前景“小波神经网络”的应用1在。

BP神经网络算法是一种基于误差反向传播算法的人工神经网络训练算法BP神经网络算法基本原理是利用梯度搜索技术，通过计算误差输出时按从输入到输出的方向进行，而调整权值和阈值则从输出到输入的方向进行，以期使网络的实际输出值和期望输出值的误差均方差为最小。

基于BP神经网络的数字识别主要内容#82261课题研究背景#82262图像预处理#82263模式识别#82264识别效果#82265总结1课题研究背景近年来，人工神经网络技术取得了巨大的发展，它所具有的优势固有的并行结构和并行处理知识的分布存储容错性自适应性模式识别能力，为手写体数字识别开辟了。

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。