引言：本文对人工神经网络的三种常用模型中的BP网的结构和学习算法进行了深入的研究，对BP网络的设计与实现做了详细描述。
　　Pall Werbas博士为首的科学家小组在1986年出版《并行分布信息处理》一书中，对用于多层前馈网络的误差逆传播学习算法（BP算法）进行了详尽的分析与介绍，后来人们把应用BP算法进行训练的前馈型神经网络简称为BP（Back-Propagation）网络。下面谈谈基于BP网络的设备状态分类器设计。本实例的工程背景是某个设备中的减速箱，其目的是设计一个状态分类器，用于检测减速箱的当前状态。
　　一、BP网络设计
　　首先，需要获得网络的输入和目标样本。对减速箱运行状态进行检测，获得了12组状态样本数据，有正常状态数据、轻微故障状态数据和严重状态数据，分别对应类别1、2和3。接下来需要确定网络结构，根据Kolmogorov定理，采用一个N*2N+1*M的3层BP网络作为状态分类器。其中N表示输入特征向量的分量数，M表示输入状态类别总数。对于本实例，N=8。为了简化网络结构，用（0，1）表示正常状态，（1，0）表示轻微故障状态，（1，1）表示严重故障状态。这样一来，就可以在网络中设计两个输入神经元表示这3种故障状态类别。由此可得，该BP网络结构为：输入层有8个神经元，中间有17个神经元，输出层有2个神经元。按照一般的设计方案，中间层神经元的传递函数为S型正切函数，输出层神经元的传递函数为S型对数函数，之所以选择S型函数，是因为该函数为0-1函数，正好满足设备状态分类器的输出要求。
　　令P表示网络的输出样本向量，T表示网络的目标向量。可得：
　　我们用15组数据来测试减速箱的稳定性，观察它的误差，可以看到我们的结果与预期的结论达到满意的效果。从而我们可以得出结论：BP网络具有实际应用价值，在复杂的非线性整合处理中将发挥重要作用。
　　参考文献
　　[1]李学桥.神经网络工程应用[M].重庆：重庆大学出版社，1995.
　　（作者单位：天津公安警官职业学院）