12.1.4  BP神经网络主要特点

BP神经网络主要特点如下：

1）BP神经网络属于前向型网络，也称为反馈神经网络，所谓前向型网络就是在该神经网络中，各神经元在接受前一层的输入后，然后将其在输出给自己的下一层，但是就是没有反馈。其中它们的节点分为两大类，即输入节点和计算节点，其中每个计算节点能够拥有许多不同的输入，但是只能存在一个输出，其中它们的输入和输出节点都是与外界相连而成的，中间层就是隐层。

2）BP神经网络拥有强大的推广能力，因为我们获得的目标样本数据中，它们之间肯定会存在一定的相似性，所以它可以根据这种相似性来处理数据间相似性问题。正常情况下我们获取的数据一般多少会包含一定的噪声，也有可能对目标某些特征描述存在缺陷，此时通过利用该网络的推广能力就能够对失真的样本数据进行相应的恢复处理，因为现在所用的识别模式都是实时传输的，所以利用该方法能够有效地解决实时传输中图像的失真问题，这也是它被广泛使用的一个原因。

3）BP神经网络拥有自组织和自学能力，它的自学能力主要体现在对样本数据处理的过程中。通过这样的自学习能力能够主动地利用输入样本数据中的特性和相应的规律，来加强学习效果。这种学习方式不需要相应的先验知识，不需要我们在处理过程中假设具有先验的函数，而且不需要通过对样本中的空间分布进行状态假设，只是非常简单智能通过样本的数据对其进行相关关系的学习，这样大大增加了智能性。所以如果在不了解具体样本数据的情况下，利用这种学习能够帮助解决识别中未知目标的问题。

4）BP神经网络拥有对数据并行处理的能力，这种并行处理能力类似于计算机中的多线程处理方式，这样的好处就是提高了神经网络的学习效率。

5）BP神经网络中隐层存在许多种不同的激励函数。一般用得比较多的是非线性激励函数，有中心限幅函数、阶跃函数和S型函数，其中S型函数是用得最多的激励函数，也是目前对其研究改进和优化的热点。

BP神经网络的缺点是，算法优化程度不是很深，它作为一种局部搜索的算法，它的权值是通过局部改善来进行相应的调整，这个时候就会出现该网络自动地陷进局部极小化这样的问题，那么它的权值就进行相应的收敛，直至达到极小的对应点，这样的后果就是训练不能成功；其次BP神经网络还存在收敛速度过慢这样的问题，因为在它的算法里，主要使用的是梯度下降法，由于其主要针对复杂的目标进行优化，所以花费的时间会比较长，这样就导致了其算法效率不高；另外还存在对样本过度依赖的问题，这点在RBF神经网络中同样存在，因为神经网络的函数的逼近主要与它本身的推广能力和学习样本的能力有关，这样导致的结果就是训练样本选取的问题。