作为人工智能的重要组成部分,人工神经网络有较大的应用潜力。本文在阐述了神经网络的基本原理、发展及其应用的基础上,主要研究了BP神经网络算法与其它优化算法融合的改进。BP神经网络是多层前向神经网络的一种,也是人工神经网络模型中最典型、应用最广泛的一种网络模型。它能以任意精度逼近任意非线性函数,具有良好的逼近性能,并且结构简单,是一种性能优良的神经网络。本论文对BP算法作了较为深入的研究,针对一般BP算法收敛速度慢,易陷入局部极小值的缺陷,从优化算法和BP算法融合的角度进行改进,提出了三种改进方法:变尺度混沌-BP算法1和算法2(MSC-BP 1和MSC-BP 2 )和混沌粒子群-BP算法(即MCPSO-BP算法)。MSC-BP1算法是采用变尺度混沌优化方法代替BP算法中的梯度下降法,在优化搜索过程中不断缩小搜索空间,它克服了标准BP算法易陷入局部极小的缺点,能有效地寻找到BP神经网络权值的全局最优值。MSC-BP2混合算法是进一步将MSC-BP1算法与梯度下降法交替使用和有机结合,它能有效缩短单一的变尺度混沌优化BP算法的训练时间。仿真结果表明,改进的BP神经网络具有实现简单、寻优性强和优化效率高等特点。MCPSO-BP算法是改进混沌粒子群算法(MCPSO)与BP算法的融合算法,该算法综合了改进粒子群算法全局寻优的高效性,混沌算法局部搜索的遍历性和BP算法快速的局部搜索能力的优点。仿真结果表明,MCPSO-BP算法网络结构简单,收敛速度快,并具有良好的逼近能力和泛化能力。