关于神经网络的论文读后感

第一篇：关于神经网络的论文读后感

关于神经网络的论文读后感

近期近代数学方法课上老师讲授了一种新的方法叫做神经网络。

神经网络（NNs）全称为人工神经网络（Artificial Neural Networks，简写为ANNs），简称神经网络，也称作连接模型（Connection Model），它是一种模范动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。它是一种大规模并行的非线性动力学系统。

1943年，心理学家W·Mcculloch和数理逻辑学家W·Pitts在分析、总结神经元基本特性的基础上首先提出神经元的数学模型。此模型沿用至今，并且直接影响着这一领域研究的进展。因而，他们两人可称为人工神经网络研究的先驱。

1945年冯·诺依曼领导的设计小组试制成功存储程序式电子计算机，标志着电子计算机时代的开始。1948年，他在研究工作中比较了人脑结构与存储程序式计算机的根本区别，提出了以简单神经元构成的再生自动机网络结构。但是，由于指令存储式计算机技术的发展非常迅速，迫使他放弃了神经网络研究的新途径，继续投身于指令存储式计算机技术的研究，并在此领域作出了巨大贡献。虽然，冯·诺依曼的名字是与普通计算机联系在一起的，但他也是人工神经网络研究的先驱之一。

50年代末，F·Rosenblatt设计制作了“感知机”，它是一种多层的神经网络。这项工作首次把人工神经网络的研究从理论探讨付诸工程实践。当时，世界上许多实验室仿效制作感知机，分别应用于文字识别、声音识别、声纳信号识别以及学习记忆问题的研究。然而，这次人工神经网络的研究高潮未能持续很久，许多人陆续放弃了这方面的研究工作，这是因为当时数字计算机的发展处于全盛时期，许多人误以为数字计算机可以解决人工智能、模式识别、专家系统等方面的一切问题，使感知机的工作得不到重视；其次，当时的电子技术工艺水平比较落后，主要的元件是电子管或晶体管，利用它们制作的神经网络体积庞大，价格昂贵，要制作在规模上与真实的神经网络相似是完全不可能的；另外，在1968年一本名为《感知机》的著作中指出线性感知机功能是有限的，它不能解决如异感这样的基本问题，而且多层网络还不能找到有效的计算方法，这些论点促使大批研究人员对于人工神经网络的前景失去信心。60年代末期，人工神经网络的研究进入了低潮。

另外，在60年代初期，Widrow提出了自适应线性元件网络，这是一种连续取值的线性加权求和阈值网络。后来，在此基础上发展了非线性多层自适应网络。当时，这些工作虽未标出神经网络的名称，而实际上就是一种人工神经网络模型。

随着人们对感知机兴趣的衰退，神经网络的研究沉寂了相当长的时间。80年代初期，模拟与数字混合的超大规模集成电路制作技术提高到新的水平，完全付诸实用化，此外，数字计算机的发展在若干应用领域遇到困难。这一背景预示，向人工神经网络寻求出路的时机已经成熟。美国的物理学家Hopfield于1982年和1984年在美国科学院院刊上发表了两篇关于人工神经网络研究的论文，引起了巨大的反响。人们重新认识到神经网络的威力以及付诸应用的现实性。随即，一大批学者和研究人员围绕着 Hopfield提出的方法展开了进一步的工作，形成了80年代中期以来人工神经网络的研究热潮。

神经网络的连接形式前向网络.前向网络通常包括许多层, 常见为三层网络.这种网络特点是只有前后相邻两层之间神经元相互连接, 各神经元之间没有反馈.每个神经元可以从前一层接收多个输入, 并只有一个输出送给下一个神经元.三层前向网络分为输入层、隐层和输出层.在前向网络中计算功能的节点, 称为计算单元, 而输入节点无计算功能.常见的是网络BP反馈网络.从输出层到输入层有反馈, 即每一个节点同时接收外来输入和来自其它节点的反馈输入, 其中也包括神经元输出信号引回到本身输入构成的自环反馈.这种反馈网络每一个节点都是一个计算单元.典型是网络Hopfield相互结合型网络.它属于网状结构.构成网络中各个神经元都可能相互双向联接, 所有的神经元既作输入, 同时也用于输出.这种网络对信息处理与前向网络不一样.在前向网络中, 信息处理是从输入层依次通过中间层 隐层 到输出层, 处理结束.而在这种网络中, 如果在某一时刻从神经网络外部施加一个输入, 各个神经元相互作用, 直到使网络所有神经元的活性度或输出值, 收敛于某个平均值为止作为信息处理的结束.4 混合型网络.上述的前向网络和相互结合型网络分别是典型的层状结构网络和网络结构网络.介于这两种网络中间的一种联接方式, 在前向网络的同一层间神经元有互联的结构, 称为混合型网络.这种在同一层内的互联, 目的是为了限制同层内神经元同时兴奋或抑制的神经元数目, 以完成特定的功能。

在网络上，我查阅了相关的文献，一篇关于关于神经网络用于机器人控制的的论文说道：神经网络特别适合于机器人控制, 是由于它具有下述显著特点 :1 由于神经网络可以通过若干实例进行学习, 所以把它用作控制器的时候, 既不需要被控对象的数学模型, 也不需要人们事先为它设计好控制算法.2 因为神经网络具有并行处理信息的能力, 所以它同时能将输入的m 维向量变成输出的n 维向量.这样, 神经网络可有效地处理视觉、听觉这一类需要复杂计算的感知信息, 从而可能完成实时控制的任务.3 神经网络对外界环境或系统参数的意想不到的变化, 具有很强的自适应性, 因此神经网络控制系统具有大范围的适应能力, 是一般的自适应控制系统所无法比拟的.如：“婴儿”机器人，它安装两只摄像机并具有五个自由度.众所周知, 婴儿的特点就是爱动, 大一点的婴儿则是看见什么都好奇, 觉得新鲜, 都想把看到的东西抓到手.起初, 他们看见的东西不一定能够抓得着, 但经过不断地实践, 一旦有一次或几次成功了, 这就是所谓的“无导师学习”.能不能使现在的机器人也有这种技能呢?现在的工业机器人很难做到, 因为现在的工业机器人要作什么都是由人事先计划好并作一遍才行.即所谓的“示教——再现”,“示教——再现”是一种有导师的学习.如机器人的支臂、手和各关节的尺寸都准确知道, 即如果运动模型已知的话, 也可以把要作的事情 即任务 按时间顺序写成程序, 计算机根据已知的模型将任务翻译成各个关节的角度变化加以实现.这种控制方式的前提是模型必须已知.可是, 上述的婴儿机器人不需要知道自己的模型, 这样好像与人的本能更接近一些.人们虽然说不出自己手臂上的每根骨头的尺寸, 但是人们的眼睛和手可以配合得非常默契.这种机能是靠学习得来的并以某种隐含的形式记在脑皮层的某个区域.在学习过程中, 这个隐含的内容也不断地更新自己.人由婴儿长成大人, 骨骼和肌肉的力量一直在发生变化, 脑中那个隐含的内容 知识和经验也不断调整自己.用自动控制的术语说, 这就是控制系统的自适应性;应该指出, 现代工业机器人的自适应性还极其有限.“婴儿”机器人的工作过程分为两个阶段: 学习阶段和工作阶段.在学习阶段, 婴儿手里握着一个圆柱体, 在随机位置发生器的作用下, 随机地摆成这个姿势或那个姿势.在这个过程中, 摄像机将看到的一幅情景信息通过输入变换并进入神经网络, 接着产生目标变换的输出.这个输出与随机位置产生器产生的实际输出的差值用来调整权变换, 以使看到的和实际做到的不断地趋于一致.例如, 经过1200 次姿势训练后,“婴儿”机器人就学得很好了.在工作阶段, 它可以把圆柱体摆在“婴儿”工作空间的任何一个位置和角度上,“婴儿”机器人可以迅速地移动手臂, 并用它的手准确地将圆柱体擒住.如果改变一下工作环境, 例如将“婴儿”机器人的底坐上垫上点东西,“婴儿”机器人第一次擒获会失败, 但它有能力适应这种工作环境的变化, 不需要重新返回学习阶段就可以调整自己控制网络的权, 并在相继的抓获中取得成功.实际神经网络的应用研究可以分为以下两大类：

1、神经网络的软件模拟和硬件实现的研究。

2、神经网络在各个领域中应用的研究。这些领域主要包括：模式识别、信号处理、知识工程、专家系统、优化组合、机器人控制等。随着神经网络理论本身以及相关理论、相关技术的不断发展，神经网络的应用定将更加深入。

在看了那些资料以后，我明白了神经网络在应用上是非常广泛的，而以后我应该更加努力地学好它，学会在以后的生活实践中去应用它。

第二篇：神经网络应用

神经网络是新技术领域中的一个时尚词汇。很多人听过这个词，但很少人真正明白它是什么。本文的目的是介绍所有关于神经网络的基本包括它的功能、一般结构、相关术语、类型及其应用。

“神经网络”这个词实际是来自于生物学，而我们所指的神经网络正确的名称应该是“人工神经网络（ANNs）”。在本文，我会同时使用这两个互换的术语。

一个真正的神经网络是由数个至数十亿个被称为神经元的细胞（组成我们大脑的微小细胞）所组成，它们以不同方式连接而型成网络。人工神经网络就是尝试模拟这种生物学上的体系结构及其操作。在这里有一个难题：我们对生物学上的神经网络知道的不多！因此，不同类型之间的神经网络体系结构有很大的不同，我们所知道的只是神经元基本的结构。

The neuron

虽然已经确认在我们的大脑中有大约50至500种不同的神经元，但它们大部份都是基于基本神经元的特别细胞。基本神经元包含有synapses、soma、axon及dendrites。Synapses负责神经元之间的连接，它们不是直接物理上连接的，而是它们之间有一个很小的空隙允许电子讯号从一个神经元跳到另一个神经元。然后这些电子讯号会交给soma处理及以其内部电子讯号将处理结果传递给axon。而axon会将这些讯号分发给dendrites。最后，dendrites带着这些讯号再交给其它的synapses，再继续下一个循环。

如同生物学上的基本神经元，人工的神经网络也有基本的神经元。每个神经元有特定数量的输入，也会为每个神经元设定权重（weight）。权重是对所输入的资料的重要性的一个指标。然后，神经元会计算出权重合计值（net value），而权重合计值就是将所有输入乘以它们的权重的合计。每个神经元都有它们各自的临界值（threshold），而当权重合计值大于临界值时，神经元会输出1。相反，则输出0。最后，输出会被传送给与该神经元连接的其它神经元继续剩余的计算。

Learning

正如上述所写，问题的核心是权重及临界值是该如何设定的呢？世界上有很多不同的训练方式，就如网络类型一样多。但有些比较出名的包括back-propagation, delta rule及Kohonen训练模式。

由于结构体系的不同，训练的规则也不相同，但大部份的规则可以被分为二大类别它们可以被分为分类式或联想式。分类式网络可以接受一组数，然后将其分类。例如ONR程序接受一个数字的影象而输出这个数字。或者PPDA32程序接受一个坐标而将它分类成A类或B类（类别是由所提供的训练决定的）。更多实际用途可以看Applications in the Military中的军事雷达，该雷达可以分别出车辆或树。

联想模式接受一组数而输出另一组。例如HIR程序接受一个„脏‟图像而输出一个它所学过而最接近的一个图像。联想模式更可应用于复杂的应用程序，如签名、面部、指纹识别等。

The Ups and Downs of Neural Networks

神经网络在这个领域中有很多优点，使得它越来越流行。它在类型分类/识别方面非常出色。神经网络可以处理例外及不正常的输入数据，这对于很多系统都很重要（例如雷达及声波定位系统）。很多神经网络都是模仿生物神经网络的，即是他们仿照大脑的运作方式工作。神经网络也得助于神经系统科学的发展，使它可以像人类一样准确地辨别物件而有电脑的速度！前途是光明的，但现在...是的，神经网络也有些不好的地方。这通常都是因为缺乏足够强大的硬件。神经网络的力量源自于以并行方式处理资讯，即是同时处理多项数据。因此，要一个串行的机器模拟并行处理是非常耗时的。

神经网络的另一个问题是对某一个问题构建网络所定义的条件不足-有太多因素需要考虑：训练的算法、体系结构、每层的神经元个数、有多少层、数据的表现等，还有其它更多因素。因此，随着时间越来越重要，大部份公司不可能负担重复的开发神经网络去有效地解决问题。

NN 神经网络，Neural Network

ANNs 人工神经网络，Artificial Neural Networks

neurons 神经元

synapses 神经键

self-organizing networks 自我调整网络

networks modelling thermodynamic properties 热动态性网络模型

网格算法我没听说过

好像只有网格计算这个词

网格计算是伴随着互联网技术而迅速发展起来的，专门针对复杂科学计算的新型计算模式。这种计算模式是利用互联网把分散在不同地理位置的电脑组织成一个“虚拟的超级计算机”，其中每一台参与计算的计算机就是一个“节点”，而整个计算是由成千上万个“节点”组成的“一张网格”，所以这种计算方式叫网格计算。这样组织起来的“虚拟的超级计算机”有两个优势，一个是数据处理能力超强；另一个是能充分利用网上的闲置处理能力。简单地讲，网格是把整个网络整合成一台巨大的超级计算机，实现计算资源、存储资源、数据资源、信息资源、知识资源、专家资源的全面共享。

第三篇：神经网络心得[定稿]

人工神经网络学习心得

时间如白马过隙，很快八周的人工神经网络学习即将结束，仿佛昨天才刚刚开始学习这门课程，在这段时间的学习中，我有起初对神经网络的不了解到现在的熟悉和掌握，这其中的变化，是我知识提高的过程。我在这个过程中有一些自己的体会和感想。

我是一名学习控制科学和工程的研究生，起初对于神经网络的认识很肤浅，由于我相应知识的欠缺，想要理解神经网络的结构会很不容易。在开始的几节课中，老师给我们讲了神经网络的发展史、结构和原理，当时感觉有压力、紧张。因为我感觉和生物的神经学差不多，一开始接触觉得它不是一门智能控制学，而是一门生物学，所以只能慢慢学习和理解，最终完成课程的学习。虽然相比于其他学过的课程，我对这门学科的了解稍微逊色点，但我还不是一个害怕困难的人，越是困难我越是会迎头前进的，不会倒下，去努力掌握这些知识。

接下来的几周，是老师的授课过程，说实话老师讲的论文我听的不太懂，讲的软件的应用也是一知半解……有种痛苦的感觉，好像什么也没学到，问了其他同学，他们也有同样的感觉，哦，原来都一样啊，没事，那就继续坚持吧……

过了这个彷徨期，该是呐喊的时候了，该写期末作业了，开始做题的时候还挺紧张，害怕题很难做，找了很多资料，照葫芦画瓢，硬着头皮写，写完了之后有一点小小的成就感，我终于给做出来了，可当时我们还是不知道如RBF网络和BP网络怎么应用，只是有那么点熟悉，有那么点感觉。最重要的时刻到了，在课堂中老师提的问题，我显得是那么生疏，满脸的惆怅，对问题不知所措，迷茫与疲惫缠绕着我的身心。每次上课之前我都要花上一段时间去预习课程内容，但是每次看的都是一脸迷茫，一知半解。老师所说的每一句话，我要想半天才会明白过来。这事我猜知道，基础是多么的重要，而且我知道学习知识最重要的是要学会应用和实践。不然就只能只上谈兵，但是一到应用我就不知从何下手。因此，我知道我还有很长的路要走。

其中的辛酸与乐趣大概也只有一块学习的学友们了解。在这近两个月中我们体会到了坚持的力量。遇到问题，不能退缩，只能前进。坚持就是胜利。问题只有在不断的思考和学习中才能解决。同时，也能是自己得到提高。

经过几周的的学习我对神经网络的理解能力明显有所提高。在神经网络中我们可以用跳跃性的思维去思考问题，这锻炼了我们的跨越式思维，提高了我们的能力，增强了我们的自信心，在人生道路上选择的关键时刻起了很大的作用，让我们明白了独立思考，开阔眼界，在科研方面所发挥的重要作用，使我们“学以致用，终生受益。

在此，我们要感谢授课的李晓强老师，谢谢李老师在这近两个月来对我们的关心。通过这八周的学习，锻炼了我的能力；增加了对人工神经网络知识的了解；提高了创新意识和解决问题的能力。

第四篇：人工智能论文：人工智能 人工神经网络 计算机辅助教学

人工智能论文：智能化教学辅助训练系统

【中文摘要】借助于计算机技术的迅猛发展与普及应用,人工智能技术越来越多的介入人们日常生活,由于其不可比拟的优势使得大量传统的低效率、高重复性的人力工作得到极大的解放,不但提高了工作速度,也极高地提高了工作效率,而且准确程度仍不受影响。智能化教学辅助训练系统的开发,就是将人工智能技术应用于教学环节中的测试训练环节,将以往由教师所承担的完整的考试过程交由计算机系统处理完成,不仅能够把教师从繁重的工作负担中解放出来,而且也可以提高测试过程的高效率和高准确性。本文所述的智能化教学辅助训练系统可以胜任起完成教学过程中最为重要的学生能力测试环节的工作,完成平时的练习测试和期中、期末的考查,在保证测试效果的前提下,减轻了教师的工作负担、提高了测试工作的效率、促进了学生的学习巩固、提高了学校的教学水平,是非常值得大力推广与应用的一项新方法。本系统具备以下的主要特点与功能：①畅通的网络化运行,可以实现局域网以及广域网的系统扩展；②根据题型的要求实现自动判卷或提交给具有相应权限的教师进行人工判卷；③根据预设的题库系统可以实现教师的随机抽题组卷功能；④根据教师的要求实现临时增设题目并能够自动完成题库的分类收录或即时向已登录学生...【英文摘要】With the rapid development of computer technology and the popularization of artificial intelligence

technology more and more involved in people’s daily lives, because of its incomparable advantages of making a lot of the traditional low efficiency, high repetitive work was a great human emancipation, not only increased pace of work, but also improve the efficiency high, but accuracy remains unaffected.Intelligent training system teaching aids the development of artificial intelligence technology in teachin...【关键词】人工智能 人工神经网络 计算机辅助教学

【英文关键词】Artificial Intelligence Artificial Neural Networks CAI 【索购全文】联系Q1：138113721 Q2：139938848 【目录】智能化教学辅助训练系统6-7Abstract7-8

摘要

1.1 教学

第1章 绪论11-25辅助训练系统综述11-15述15-

211.2 国内外计算机考试系统发展综

1.2.2 1.2.1 国外计算机考试系统综述15-19国内计算机考试系统综述19-21模式简介21-2321-22

1.3 计算机考试系统的开发

1.3.1 C/S(Client/Server)模式简介

1.3.3 1.3.2 B/S(Browser/Server)模式22-2

31.4 当前计算机辅助训练系统的不足

1.6 本章小结混合模式2323-2424-25结构25-321.5 研究的目的意义24第2章 智能化教学辅助训练系统的目标、设计原则与

2.1 系统的目标25-27

2.2 系统设计原则

27-2828-302.3 系统的结构28-312.3.1.系统的结构选择

2.3.3.第3章 系

3.1.1 2.3.2.系统开发的软硬件条件30-31

2.4 本章小结31-32系统的数据库结构31统的功能与实现32-41管理员用户32-33用户35理模块35-36模块36-37块37-38考试38-39置3940-41

3.1 用户管理功能32-353.1.2 教师用户33-35

3.1.3 学生3.2.1 用户管3.2.3 题库管理3.2 用户管理功能的实现35-38

3.2.2 考务管理模块363.2.4 试卷管理模块37

3.2.5 考试管理模

3.3.1 在线3.3 系统核心功能与设计38-403.3.2 用户组卷39

3.3.3 考生IP地址设3.4 本章小结

4.1 组卷方式3.3.4 考生成绩查询39-40第4章 智能化的组卷功能41-47

4.2 组卷的特点42的确定41-42数学模型42-4444-45

4.3 智能组卷系统的4.4 BP神经网络在智能化组卷系统中的使用

4.6 本章小结45-475.1 系统安全保障模块

5.3 数据安全保障模块

5.4.1 密钥的产生

第4.5 实验结果455章 系统安全性的保障47-534750515253-5653-555.2 身份认证模块47-505.4 考试数据的加密保护50-525.4.2 密钥存储51-525.5 本章小结52-536.1 硬件系统容错53

5.4.3 数据接口第6章 系统的容错功能

6.2 软件系统容错

6.2.2 系6.2.1 防止打开多个考试程序53-54

统重启546.2.3 更换计算机考试54-556.2.4 学生考

6.3 号或姓名异常55本章小结55-56展望59-626.2.5 学生分数没有正常回收55第7章 系统测试56-598.1 结论59-61

第8章 结论与

8.1.1 系统运行后收到的效果59-618.1.2 系统存在的不足之处61-62参考文献62-67

致谢67618.2 展望

第五篇：BP神经网络实验报告

BP神经网络实验报告

一、实验目的1、熟悉MATLAB中神经网络工具箱的使用方法；

2、通过在MATLAB下面编程实现BP网络逼近标准正弦函数，来加深对BP网络的了解和认识，理解信号的正向传播和误差的反向传递过程。

二、实验原理

由于传统的感知器和线性神经网络有自身无法克服的缺陷，它们都不能解决线性不可分问题，因此在实际应用过程中受到了限制。而BP网络却拥有良好的繁泛化能力、容错能力以及非线性映射能力。因此成为应用最为广泛的一种神经网络。

BP算法的基本思想是把学习过程分为两个阶段：第一阶段是信号的正向传播过程；输入信息通过输入层、隐层逐层处理并计算每个单元的实际输出值；第二阶段是误差的反向传递过程；若在输入层未能得到期望的输出值，则逐层递归的计算实际输出和期望输出的差值（即误差），以便根据此差值调节权值。这种过程不断迭代，最后使得信号误差达到允许或规定的范围之内。

基于BP算法的多层前馈型网络模型的拓扑结构如上图所示。

BP算法的数学描述：三层BP前馈网络的数学模型如上图所示。三层前馈网中，输入向量为：；隐层输入向量为：；输出层输出向量为：；期望输出向量为：。输入层到隐层之间的权值矩阵用V表示，其中列向量为隐层第j个神经元对应的权向量；隐层到输出层之间的权值矩阵用W表示，其中列向量为输出层第k个神经元对应的权向量。

下面分析各层信号之间的数学关系。

对于输出层，有

对于隐层，有

以上两式中，转移函数f(x)均为单极性Sigmoid函数：

f(x)具有连续、可导的特点，且有

以上共同构成了三层前馈网了的数学模型。

当网络输出和期望输出不相等时，存在输出误差E如下：

将以上误差定义式展开至隐层，有

进一步展开至输入层，有

由上式可以看出，网络输入误差是两层权值W和V的函数，因此调整权值可以改变误差E。

显然，调整权值的原则是使误差不断的减小，因此应使权值的调整量与误差的负梯度成正比，即：

式中负号表示梯度下降，常数表示比例系数，在训练中反映了学习速率。

容易看出，BP学习算法中，各层权值调整公式形式上都是一样的，均有3个因素决定，即：学习速率、本层误差信号和本层输入信号X/Y。其中输出层误差信号同网络的期望输出与实际输出之差有关，直接反映了输出误差，而各隐层的误差信号与前面各层的误差信号都有关，是从输出层开始逐层反传过来的。

三、程序

clc

clear

all

k=1;

n=10;

P=[-1:0.05:1];

T=sin(k*pi*P);

plot(P,T,＇-＇);

title(＇要逼近的非线性函数＇);

xlabel(＇输入向量＇);

ylabel(＇非线性函数目标输出向量＇);

net=newff(minmax(P),[n,1],{＇tansig＇,＇purelin＇},＇trainlm＇);

y1=sim(net,P);

net.trainParam.epochs=50;

net.trainParam.goal=0.01;

net=train(net,P,T);

y2=sim(net,P);

figure;

plot(P,T,＇-＇,P,y1,＇--＇,P,y2,＇*＇);

title(＇训练前后的网络仿真结果对比＇);

xlabel(＇输入向量＇);

ylabel(＇输出向量＇);

legend(＇目标函数输出向量＇,＇未训练BP网络输出＇,＇已训练BP网络输出＇);

仿真结果如下图：

由仿真结果图可以看出，未经训练的BP网络输出与目标函数差距很大，逼近效果不理想，而对BP网络训练之后的输出可以较精确的逼近目标函数，并且BP网络的训练迭代次数仅约1.2次，网络的输出目标误差就达到了精度要求，收敛速度很快。函数逼近效果、网络训练的收敛速度与原始非线性函数的频率、BP网络隐含层单元神经元的数目以及BP网络训练函数有关。

四、实验结论

通过编程实现使用BP网络对函数进行逼近，对BP网络的信号和误差传递的原理以及隐层、输出层权值调整的规则有了充分的理解和认识。

BP网络是一个强大的工具，它是应用最为广泛的网络。用于文字识别、模式分类、文字到声音的转换、图像压缩、决策支持等。

但是，通过实验看出，它还是存在一定的不足。由于本实验中采用的学习率是固定不变的，从而使得在函数逼近的时候在有些地方出现了偏离，如果能自适应的调整学习率，使网络在学习初期具有较大的学习率，以快速逼近函数，当已经逼近理想输出时再使用较小的学习率，来更加精准的去逼近函数，这样会得到更好的逼近效果和更小的错误率。

另外，BP网络还具有收敛速度慢、容易陷入局部极小值的问题。这些问题通过对标准BP算法的改进能得到一定程度的解决。