BP神经网络的不足

BP神经网络的不足

在理论上，BP神经网络具有实现任何复杂非线性映射的能力，特别适合求解内部机制复杂的问题，但在实际的应用中，也存在一些不足。

• 需要的参数较多，且参数的选择没有有效的方法。确定一个BP网络需要知道网络的层数、每一层的神经元个数和权值。网络权值依据训练样本和学习率参数经过学习得到。隐含层神经元的个数如果太多，会引起过学习，而神经元太少，又导致欠学习。如果学习率过大，容易导致学习不稳定，学习率过小，又将延长训练时间。这些参数的合理值还要受具体问题的影响，目前为止，只能通过经验给出一个很粗略的范围，缺乏简单有效的确定参数的方法，导致算法很不稳定。

• 容易陷入局部最优。BP算法理论上可以实现任意非线性映射，但在实际应用中，也可能经常陷入到局部极小值中。此时可以通过改变初始值，多次运行的方式，获得全局最优值。也可以改变算法，通过加入动量项或其他方法，使连接权值以一定概率跳出局部最优值点。

• 样本依赖性。网络模型的逼近和推广能力与学习样本的典型性密切相关，如何选取典型样本是一个很困难的问题。算法的最终效果与样本都有一定关系，这一点在神经网络中体现得尤为明显。如果样本集合代表性差、矛盾样本多、存在冗余样本，网络就很难达到预期的性能。

• 初始权重敏感性。训练的第一步是给定一个较小的随机初始权重，由于权重是随机给定的，BP网络往往具有不可重现性。

• 学习速度慢。即使是一个简单的问题，一般也需要几百次甚至上千次的学习才能收敛。