（1）进行初始化。给连接权值ωij，νjt和阈值θj，γt赋予在区间（-1，1）内的任意值。
（2）提供输入样本I=（a1，a2，…，an）以及期望输出T=（y1，y2…，ym）。
（3）计算隐含层中各单元的输出bj。
式中，ai——输入值；
ωij——连接权（输入层到隐含层）；
θj——隐含层各单元输出阈值；
sj——隐含层各单元输入。
（4）计算得出输出层各单元的实际输出ct。
式中，bj——隐含层各单元输出；
vjt——连接权（隐含层到输出层）；
γt——输出层各单元输出阈值；
lt——输出层各单元的输入。
（5）计算输出层中各单元误差dt。(www.xing528.com)
式中，yt——期望输出。
（6）计算得出隐含层中各单元的误差。
（7）修正连接权值vjt和阈值rt。其中，t=1，2，…，m；j=1，2，…，p；0＜a＜1。
式中，dt——输出层各单元误差；
bj——隐含层单元输出。
（8）修正连接权值wij和阈值θj。其中i=1，2，…，n；j=1，2，…，p；0＜β＜1。
式中，e j——隐含层各单元的误差；
ai——输入值。
（9）重新选择一个新的学习样本，重复运行步骤（3）到步骤（8）。当所有的学习样本训练完成后，样本训练过程结束。
（10）检验网络的收敛性。一般情况下，网络收敛即样本的训练误差小于预先设定的误差值，网络不收敛即样本经过无数次的训练之后仍然找不到最优路径使得训练误差小于设定的误差值。
（11）网络收敛，学习结束。
在具体测试中，注意结合第一阶段单因素最小二乘法所计算得到的各个影响因素的作用曲线方向和作用强度，用以调节网络结构计算中的步长变化方向和变化量，从而解决BP神经网络收敛速度慢、局部最优的算法缺陷。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
