人工神經(jīng)網(wǎng)絡（Artificial Neural Network）又稱連接機模型，是在現(xiàn)代神經(jīng)學、生物學、心理學等學科研究的基礎上產(chǎn)生的，它反映了生物神經(jīng)系統(tǒng)處理外界事物的基本過程，是在模擬人腦神經(jīng)組織的基礎上發(fā)展起來的計算系統(tǒng)，是由大量處理單元通過廣泛互聯(lián)而構成的網(wǎng)絡體系，它具有生物神經(jīng)系統(tǒng)的基本特征，在一定程度上反映了人腦功能的若干反映，是對生物系統(tǒng)的某種模擬，具有大規(guī)模并行、分布式處理、自組織、自學習等優(yōu)點，被廣泛應用于語音分析、圖像識別、數(shù)字水印、計算機視覺等很多領域，取得了許多突出的成果。由于人工神經(jīng)網(wǎng)絡的快速發(fā)展，它已經(jīng)成為模式識別的強有力的工具。神經(jīng)網(wǎng)絡的運用展開了新的領域，解決其它模式識別不能解決的問題，其分類功能特別適合于模式識別與分類的應用。

　　多層前向BP網(wǎng)絡是目前應用最多的一種神經(jīng)網(wǎng)絡形式，它具備神經(jīng)網(wǎng)絡的普遍優(yōu)點，但它也不是非常完美的，為了更好的理解應用神經(jīng)網(wǎng)絡進行問題求解，這里對它的優(yōu)缺點展開一些討論。

　　BP神經(jīng)網(wǎng)絡的優(yōu)點：

　　1) 非線性映射能力：BP神經(jīng)網(wǎng)絡實質上實現(xiàn)了一個從輸入到輸出的映射功能，數(shù)學理論證明三層的神經(jīng)網(wǎng)絡就能夠以任意精度逼近任何非線性連續(xù)函數(shù)。這使得其特別適合于求解內(nèi)部機制復雜的問題，即BP神經(jīng)網(wǎng)絡具有較強的非線性映射能力。

　　2) 自學習和自適應能力：BP神經(jīng)網(wǎng)絡在訓練時，能夠通過學習自動提取輸出、輸出數(shù)據(jù)間的“合理規(guī)則”，并自適應的將學習內(nèi)容記憶于網(wǎng)絡的權值中。即BP神經(jīng)網(wǎng)絡具有高度自學習和自適應的能力。

　　3) 泛化能力：所謂泛化能力是指在設計模式分類器時，即要考慮網(wǎng)絡在保證對所需分類對象進行正確分類，還要關心網(wǎng)絡在經(jīng)過訓練后，能否對未見過的模式或有噪聲污染的模式，進行正確的分類。也即BP神經(jīng)網(wǎng)絡具有將學習成果應用于新知識的能力。

　　4) 容錯能力：BP神經(jīng)網(wǎng)絡在其局部的或者部分的神經(jīng)元受到破壞后對全局的訓練結果不會造成很大的影響，也就是說即使系統(tǒng)在受到局部損傷時還是可以正常工作的。即BP神經(jīng)網(wǎng)絡具有一定的容錯能力。

　　鑒于BP神經(jīng)網(wǎng)絡的這些優(yōu)點，國內(nèi)外不少研究學者都對其進行了研究，并運用網(wǎng)絡解決了不少應用問題。但是隨著應用范圍的逐步擴大，BP神經(jīng)網(wǎng)絡也暴露出了越來越多的缺點和不足。

　　缺點和不足

　　1) 局部極小化問題：從數(shù)學角度看，傳統(tǒng)的 BP神經(jīng)網(wǎng)絡為一種局部搜索的優(yōu)化方法，它要解決的是一個復雜非線性化問題，網(wǎng)絡的權值是通過沿局部改善的方向逐漸進行調(diào)整的，這樣會使算法陷入局部極值，權值收斂到局部極小點，從而導致網(wǎng)絡訓練失敗。加上BP神經(jīng)網(wǎng)絡對初始網(wǎng)絡權重非常敏感，以不同的權重初始化網(wǎng)絡，其往往會收斂于不同的局部極小，這也是很多學者每次訓練得到不同結果的根本原因。

　　2) BP 神經(jīng)網(wǎng)絡算法的收斂速度慢：由于BP神經(jīng)網(wǎng)絡算法本質上為梯度下降法，它所要優(yōu)化的目標函數(shù)是非常復雜的，因此，必然會出現(xiàn)“鋸齒形現(xiàn)象”，這使得BP算法低效；又由于優(yōu)化的目標函數(shù)很復雜，它必然會在神經(jīng)元輸出接近0或1的情況下，出現(xiàn)一些平坦區(qū)，在這些區(qū)域內(nèi)，權值誤差改變很小，使訓練過程幾乎停頓；BP神經(jīng)網(wǎng)絡模型中，為了使網(wǎng)絡執(zhí)行BP算法，不能使用傳統(tǒng)的一維搜索法求每次迭代的步長，而必須把步長的更新規(guī)則預先賦予網(wǎng)絡，這種方法也會引起算法低效。以上種種，導致了BP神經(jīng)網(wǎng)絡算法收斂速度慢的現(xiàn)象。

　　3) BP 神經(jīng)網(wǎng)絡結構選擇不一：BP神經(jīng)網(wǎng)絡結構的選擇至今尚無一種統(tǒng)一而完整的理論指導，一般只能由經(jīng)驗選定。網(wǎng)絡結構選擇過大，訓練中效率不高，可能出現(xiàn)過擬合現(xiàn)象，造成網(wǎng)絡性能低，容錯性下降，若選擇過小，則又會造成網(wǎng)絡可能不收斂。而網(wǎng)絡的結構直接影響網(wǎng)絡的逼近能力及推廣性質。因此，應用中如何選擇合適的網(wǎng)絡結構是一個重要的問題。

　　4) 應用實例與網(wǎng)絡規(guī)模的矛盾問題：BP神經(jīng)網(wǎng)絡難以解決應用問題的實例規(guī)模和網(wǎng)絡規(guī)模間的矛盾問題，其涉及到網(wǎng)絡容量的可能性與可行性的關系問題，即學習復雜性問題。

　　5) BP神經(jīng)網(wǎng)絡預測能力和訓練能力的矛盾問題：預測能力也稱泛化能力或者推廣能力，而訓練能力也稱逼近能力或者學習能力。一般情況下，訓練能力差時，預測能力也差，并且一定程度上，隨著訓練能力地提高，預測能力會得到提高。但這種趨勢不是固定的，其有一個極限，當達到此極限時，隨著訓練能力的提高，預測能力反而會下降，也即出現(xiàn)所謂“過擬合”現(xiàn)象。出現(xiàn)該現(xiàn)象的原因是網(wǎng)絡學習了過多的樣本細節(jié)導致，學習出的模型已不能反映樣本內(nèi)含的規(guī)律，所以如何把握好學習的度，解決網(wǎng)絡預測能力和訓練能力間矛盾問題也是BP神經(jīng)網(wǎng)絡的重要研究內(nèi)容。

　　6） BP神經(jīng)網(wǎng)絡樣本依賴性問題：網(wǎng)絡模型的逼近和推廣能力與學習樣本的典型性密切相關，而從問題中選取典型樣本實例組成訓練集是一個很困難的問題。