对训练BP神经网络的步骤进行总结

BP神经网络是一种多层前馈神经网络，该网络的主要特点是信号前向传递，误差反向传播。主要包括输入层、隐含层和输出层，每一层的神经元状态影响下一层神经元状态。如果输出层得不到期望输出，则转入反向传播，根据预测误差来调整网络权值和阈值，从而使BP神经网络预测输出不断接近期望输出。

BP神经网络预测前首先要训练网络，通过训练使网络具有联想记忆和预测能力。BP神经网络的训练过程的主要步骤如下：

步骤1：网络初始化。根据系统输入输出序列（X,Y）确定网络输入层节点数n、隐含层节点数l、输出层节点数m，初始化输入层、隐含层和输出层神经元之间的连接权值，wij，wjk，初始化隐含层阈值a，输出层阈值b，给定学习速率和神经元激励函数。

步骤2：隐含层输出计算。根据输入变了X，输入层和隐含层之间连接权值wij以及隐含层阈值a，计算隐含层输出H。

步骤3：输出层输出计算。根据隐含层输出H，连接权值wjk和阈值b，计算BP神经网络预测输出。

步骤4：误差计算。根据网络预测输出O和期望输出Y，计算网络预测误差e。

步骤5：权值更新。根据网络预测误差e更新网络连接权值wij，wjk。

步骤6：阈值更新。根据网络预测误差e更新网络节点阈值a，b。

步骤7：判断算法迭代是否结束，若没有结束，返回步骤2。

但需要通过案例的了解，加深对步骤的认识，目前有一个基于少量数据的人口增长趋势预测案例，计划将此案例运用MATLAB调试出来，加深对BP神经网络算法的理解。