BP神经网络作为人工神经网络的重要分支,是促进该学科发展的重要力量,体现出这门科学的理论精华。1985年Rumelhart等几位学者提出误差反向传播的学习机制,经过不断改进与完善,发展成为现在的BP神经网络。BP神经网络具有完善的理论体系,清晰的算法流程,强大的数据识别和模拟功能。在解决非线性系统问题时,优势明显,突显出巨大的实际应用价值。随着对BP神经网络研究和应用的深入,BP算法自身暴露出一些明显的缺陷:误差收敛速度慢,学习时间过长;学习过程易陷入局部极小值;网络泛化能力差;构建网络结构缺乏统一原则等。这些缺陷的存在直接制约BP神经网络的学习精度,影响网络的应用效果。因此,对BP算法进行持续改进,可以促进BP神经网络的理论成熟,同时也具有很高的实际应用价值。本文参考BP算法性能试验的结果,发掘网络在学习阶段遇到的各种问题,通过深入分析BP神经网络的基本原理,找到各类缺陷产生的原因。为解决BP算法在学习过程中遇到的这些难题,文章借鉴国内外BP神经网络的研究动态,针对问题产生的根源,在改进BP神经网络方面做出新尝试,探讨一种改进的新方法。为了验证这种方法的理论可行性,文章对算法过程进行详细地推导和阐述,利用计算编程来实现算法的整个数学过程,在与其它改进方法对比的过程中,证明新算法的优势。对比结果说明:应用新型学习率自适应方法改进后的BP神经网络,不仅算法简单,易于编程实现,而且在整个学习过程中误差下降很快,能够快速地摆脱局部极小值,最终使BP神经网络稳定快速地学习。利用新型学习率自适应算法构建黑龙江省农机总动力预测模型和电力负荷预测模型。通过计算机编程计算和多种改进方法对比分析,验证BP神经网络改进后的应用性能。改进后的BP神经网络仿真误差非常小,学习速度快,是一种高精度的算法模型。该算法的预测结果可以为合理规划行业发展提供理论依据,应用领域广泛。从实践中发现问题—总结问题—解决问题—指导实践,是指导本课题研究的核心辩证方法。与此同时,文章采用BP神经网络、系统工程、数值优化方法和计算机仿真等多学科相结合的研究方法,以Matlab7计算机仿真软件作为实验平台,通过编程计算,按照实验设计的要求,完成各类BP算法的对比试验。本文针对BP神经网络的算法缺陷提出一种理论探讨,希望能为持续改进工作提供理论参考和实验借鉴。由于笔者的学识有限,对BP神经网络的改进研究还不够全面,难免有些不足之处。因此,BP神经网络的改进工作仍然需要根据实际应用情况不断地深入进行,才能取得理论的长远发展。