误差逆传播算法

误差逆传播算法（backpropagation BP算法）是迄今最成功的的神经网络算法。显示任务中使用神经网络时，大多是在使用BP算法进行训练。不仅适用于多层前馈神经网络，还可以用于其他类型的神经网络，训练递归。

算法总结先将输入实例提供给输入层神经元，然后逐层将信号前传，直到产生输出层的结果；

然后计算输出层的误差，再将误差逆向传播至隐层神经元；

最后根据隐层神经元的误差来对连接权和阈值进行调整，该迭代过程循环进行，直到达到某些停止条件位置（如训练误差已达到一个很小的值）。1

累计误差逆传播算法如果推导出基于累积误差最小化的更新规则，就得到了累积误差逆传播算法。

与标准的BP算法每次更新只针对单个样例，参数更新的非常频繁，往往需进行更多次迭代。但是累积BP算法直接针对累积误差最小化，它在读取整个训练集一遍后才对参数进行更新，其参数更新频率低，但是在很多任务中，累积误差下降到一定程度后，进一步下降变得很缓慢。这是标准BP会更好，尤其参数非常大时。

全局最小和局部极小的解决方法目前主要有三种方式解决这个问题，

1）对参数分组初始化多个神经网络；

2）使用模拟退火技术；

3）使用随机梯度下降。2

其他常见神经网络RBF网络

ART网络

SOM网络

级联相关网络

Elman网络

Boltzmann机

本词条内容贡献者为:

李晓林 - 教授 - 西南大学