随着科学技术的飞速发展,人工神经网络也迅速发展,它更是智能领域中的一个重要组成部分,现在它已经被广泛的应用到了信号处理、模式识别、机器控制、专家系统等多个领域之中,并且在预测领域得到了更深入的发展。BP神经网络是人工智能网络中的一个典型算法,而且它本身具有很强的非线性映射能力,解决一些非线性问题更是它最突出的一环。BP神经网络不止这一个优点,它的网络拓扑结构简单,而且具有较高的误差精度,并且它易于用编程实现,而且它还具有很强的可操作性,等等。因此,BP神经网络的应用就更加广泛了,成为智能领域中的最重要的算法之一。标准BP神经网络算法虽然优点很多,但它本身存在着许多缺点。它使用的优化算法是基于最速下降法的算法。最速下降法本身就存在着不足,收敛速度慢,容易陷入局部最小点。因此,标准BP算法在这面也存在着不足,这就直接导致了网络的学习能力的不足。除了这些因为最速下降法导致的不足外,BP网络的隐含层也难以确定其需要的层数及每层神经元的节点数,而且它是一种有导师学习的神经网络,它的每一个输入模式都必须知道期望输出以及误差精度,作为一个“指导信息”。对于标准BP神经网络这些缺点,许多国内外学者都对此进行了详细研究,他们提出了很多的改进算法。本文针对BP算法存在的缺点,并结合标准BP神经网络的基本原理,提出了改进的BP算法。这一算法是在附加动量法的基础上,增加了一个关于学习速率的自适应因子,并对这个算法进行了推导。并通过将新算法应用到了解决异或问题中,通过此来验证新算法的可行性和鲁棒性。通过研究,发现新算法具有较强的稳定性和鲁棒性。图22表2参50