Back Propagation Nerual Networks

1 BP神经网络的优缺点及优化

1.1 BP神经网络的优点

由于预测的随机性和不确定性，传统的回归分析、数理统计等方法往往难以达到理想的预测效果。BP神经网络(Back一Propagation Network，BP)是人工神经网络(Artificial Neural Network，ANN)中应用最为广泛的神经网络模型之一，具有较强的非线性映射能力、鲁棒性、容错性和自适应、自组织、自学习等许多特性，在水文预测预报中具有广泛应用。
 

1.2 BP神经网络的缺点

然而，在实际应用中，BP神经网络的初始连接权值、阂值的选取对于BP神经网络性能具有关键性影响，若初始连接权值、阂值选取不当，则易导致BP神经网络陷入传统固有的缺陷——收敛速度慢和易陷入局部极值。

1.3 BP神经网络的优化

目前常用于BP神经网络初始连接权值、阂值优化的智能方法主要是遗传算法（Genetic Algorithm，GA）、粒子群优化(Particle Swarm Optimization，PSO)算法及其改进算法。除此之处，一些仿生群体智能算法被用于BP神经网络初始连接权值、阂值的优化，如人工鱼群算法（Artificial Fish Swarm Algorithm，AFSA）、布谷鸟搜寻算法（Cuckoo Search，CS）、蜂群算法（Articficial Bee Colony，ABC）、萤火虫优化算法（Glowworm Swar