现代计算机（普及版）
現代計算機（普及版）
현대계산궤（보급판）
MODERN COMPUTER
2014年
5期
51-53
,共3页
BP算法%学习算法%权值调整
BP算法%學習算法%權值調整
BP산법%학습산법%권치조정
BP Algorithm%Learning Algorithm%Weight Adjustment
BP算法使用优化算法中的梯度下降法，梯度下降法的不足，使BP算法收敛速度慢，计算量比较大，且收敛速度与初始权的选择有关；学习时，无法保证可以得到最小值。 BP的改进算法提出权值更新的快速收敛方法，使用MatLab对改进算法进行仿真，结果表明改进算法具有高效性和有效性。
BP算法使用優化算法中的梯度下降法，梯度下降法的不足，使BP算法收斂速度慢，計算量比較大，且收斂速度與初始權的選擇有關；學習時，無法保證可以得到最小值。 BP的改進算法提齣權值更新的快速收斂方法，使用MatLab對改進算法進行倣真，結果錶明改進算法具有高效性和有效性。
BP산법사용우화산법중적제도하강법，제도하강법적불족，사BP산법수렴속도만，계산량비교대，차수렴속도여초시권적선택유관；학습시，무법보증가이득도최소치。 BP적개진산법제출권치경신적쾌속수렴방법，사용MatLab대개진산법진행방진，결과표명개진산법구유고효성화유효성。
The BP neural algorithm exploits the decreasing gradient algorithm, the one depriving from the optimized algorithm, that causes a low con-vergence rate and an intensive computation to the BP neural algorithm. It is proved that the convergence rate is related to the choice of the initial right and that, when learned, the minimum cannot be guaranteed. In light of the updated BP algorithm, puts forward a method for rapid convergence rate and tries a simulation of the updated algorithm through MatLab. The results show that the improved algorithm is both highly efficient and effective.
