人工神经网络是一种模拟大脑信息处理算法的非线性系统,具有强大的分布式信息存储、并行处理和自适应学习能力等特点。BP网络由于结构简单、精度较高、易于编程、可操作性强、非线性映射能力强等优点而成为目前神经网络中应用最广泛的一种。由于标准BP算法采用的是最速梯度下降法,因而存在收敛速度慢、易陷入局部极小等缺点。为此,许多学者在标准BP算法的基础上,从学习率、误差函数、激励函数、优化算法、网络结构等方面进行了大量的研究,并且提出了一些改进的BP算法。本文首先对BP网络模型和算法进行了系统的综述。针对标准BP算法的“平台”现象,构造了一种自适应放大的误差信号,通过修改激励函数的导数,使权值的修正过程不会因饱和区域而趋于停滞,并对其收敛性进行分析证明。其次,从影响BP网络性能的学习率角度提出一种新的自适应学习率改进BP算法。本文针对BP算法的缺陷,从两个不同的角度对标准BP算法进行改进。为了验证新算法的改进效果,本文将新算法分别应用于解决函数逼近问题和辨别整数奇偶性问题,并和标准BP算法进行了对比。仿真结果表明,本文提出的改进BP算法具有收敛速度快、寻优能力强等特点,具有良好的应用参考价值。