通过学习，BP神经网络能降低误差

自人工神经网络理论问世以来，在很长的一段时间里，人们都没能寻找到网络中间层节点权值调整的方法，一直到BP神经网络概念被提出之后，这一问题才得到有效缓解。那么，BP神经网络的工作原理是什么？它又是如何通过逆向传播的方式达到修改节点权值、减小运算误差的呢？

首先，我们需要从人工神经网络的自主化学习说起。假设编程人员对英文字母“A”和“B”做出了如下设定：当键盘输入“A”时，人工神经网络输出显示“1”；当键盘输入“B”时，人工神经网络输出显示“2”。

对于人工神经网络来说，它必须要先按照一定的规律来进行学习，之后才能进行工作。比如当键盘输入“A”时，对应的输出显示为“2”，那么这就需要人工神经网络进行自身调整来修正错误，进而减少出错的概率。

针对这一状况，编程工作者先对网络节点的阈值区间限定为随机性的0、1。那么，当数据“A”试图通过此节点完成数据输出时，网络输出显示的数字就为0或者1，其中这两个数字出现的概率各为50%。而根据之前的设定，当输入字母“A”时，显示数字“1”是正确的，那么设计者就会将连接权值加大；如果显示“2”，那么这一结论是错误的，连接权值就会缩小。经过如此调整，当这个网络模型经过了若干个“A”和“B”的轮番“实验”后，它就会舍弃错误的输出结果，只保留正确的选项。而这一网络自我优化的过程，也就是人工神经网络的自主化学习之路。

对于BP神经网络来说，它的工作程序主要由“正确信息的正向传播”和“信息误差的反向传播”组成。当感知到外界信号时，触感系统将信息进行转化识别之后，由输入层神经元接收，继而传递给中间层各个神经元。经历了中间层神经元的层层转换、传递之后，这个数据信息将会最终被上传到核心处理器，然后由输出层将信息表现展示出来，这一过程就是“正确信息的正向传播”。

而“误差的反向传播”，则是当正向传播结束之后，输出结果与期望值不符，那么BP神经网络体系就会将这一误差值反向传导，即信息的传输路径更改为“输出层—神经元—输入层”。在这一传输过程当中，各个神经节点会根据误差值的范围调整本节点的权值和阈值，最终达到传播信息与期望值相符的目的。

对于“误差反向传播”理论，最先提出BP神经网络概念的大卫·鲁姆哈特就曾经这样解释过：“一位点了三块黄油面包的客人，发现服务生端过来的是两块牛排和一杯饮料，那么老板就会核查导致上菜错误的原因。最可靠的方法就是，先找到上菜的服务生，看看他是否拿错了餐盘，接下来是找到做菜的厨师，看看他是否看错了订单，然后是找到下订单的服务员，看看是否输错了菜品编码。这一逆向的纠错过程，实际上就与BP神经网络理念相类似，假如是服务生拿错了餐盘，那么就需要他重新找到正确的餐盘送来即可；如果是厨师看错了订单，那么他就应该在下一次核对票据时多加留意。在这里，黄油面包就是‘期望值’，‘两块牛排和一杯饮料’就是输出值，而服务生和厨师都可以看作是不同的‘神经节点’。”(www.xing528.com)

所以说，在消减误差方面，BP神经网络是具备了强大优势的。信息误差的反向传播，可以针对各个不同的节点进行判定和修正。而经过更正之后的节点权值，可以在之后的数据传输、计算过程当中保证精准性。

当然，在应用过程中，BP神经网络同样是存在部分缺陷的。首先，在学习速率方面，BP神经网络的反应频率是固定的，这在面对一些复杂问题的时候，它往往需要更长的时间来读取、学习、更正。

其次，BP算法可以让节点权值收敛到一个稳定的值，但却不能保证这个值是全局当中最优的选择。因为在整个学习过程当中，BP神经网络采取的是“梯度下降法”，这可能会使得最终的收敛值为“局部最优”，而不是“全局最优”。

再次，人工神经网络当中所隐含的层数和单元数是难以测量的，目前也缺乏有效的理论依据来测算。所以针对一个人工网络模型当中所包含的元素和变量，一般都是通过反复人为实验和测算得出的，因此这个网络模型必然是充满了冗余、无效因素的，这对于BP神经网络的学习也带来了沉重的负担。

最后，网络的学习和记忆，都是具有不稳定性的。比如工程师给一个成熟的网络模型提出了一个新的学习样本，那么已经经历过自主化学习的神经网络又需要推倒之前的权值参数，进行新一轮的学习训练。类似这样的“推倒重建”，对于部分成熟神经网络模型来说是“爱恨交加”的，一方面，有新的学习样本需要读解训练；另一方面，旧有的成熟权值又都会被破坏。在这里，如果想要保留部分测算优良的权值，就需要将它们提前保存、加密。