论文导读：针对目前标准BP神经网络的缺点，提出基于高阶导数的多
记忆BP算法，将能量函数的阶导数与最速下降方向相结合，构造出一个新的最速下降方向，从而提高了神经网络的学习速度。首先证明了该算法相对于传统梯度算法的快速性，然后给出了该算法的实现方法，并进行了算例仿真。结果证明，该算法便捷、实用、有效。关键词：神经网络，BP算法，高阶导数
目前对前馈神经网络快速学习算法的研究主要集中在[1]：（1）
自适应网络的学习率、平滑因子和激励函数斜率；（2）混合、分层、结构简化、空间投影等学习策略；（3）激励函数逼近；（4）新的误差函数。尽管以上研究在某种程度上改进了传统的BP算法，但现有的BP神经网络学习算法及其改进形式主要根据的是经验，缺乏理论指导[2]。又由于现在对神经网络的使用在实时性上要求非常高，神经网络滞后时间不宜过长[3]，所以本文不提倡对标准BP算法进行过于复杂的改进。对BP网络算法的研究，从优化计算角度来看，实际上是对非线性函数（能量函数）求最小值问题[4]。因此，一般采用的是梯度下降法、牛顿法等优化计算中常用的方法。BP算法有它的优点：程序设计简便，计算方便。但它的不足之处是当迭代点离最小值点较近时，收敛速度较慢；还有一个不足之处就是容易陷入局部最小点。牛顿法的突出优点
就是收敛速度较快，但是它要计算Hessian矩阵的逆矩阵，并且在Hessian矩阵出现奇异现象时，算法不收敛[5,6,7]，所以它不适合于计算结构复杂的BP神经网络。正是由于上述原因，根据BP神经网络模型的结构特点，本文提出基于高阶导数的多记忆BP（MultipleMemory BP）算法，将能量函数的阶导数与最速下降方向相结合，构造出一个新的最速下降方向，沿着该方向进行迭代计算，能量函数的值下降迅速，从而提高了神经网络的学习速度。同时，又避免了牛顿法要计算Hessian矩阵的逆矩阵等问题。为了验证此算法的可行性，先在理论上对该算法进行了证明，然后又对算法进行了数字算例仿真，在收敛速度和仿真效果上都令人满意。1．算法描述1.1标准BP算法设有一个标准的三层BP网络，为输入样本，为单元的阈值，为输出样本，为期望输出样本，为能量函数，为学习率（），为每一层的输入，为逆传播的误差，是网络的作用函数。我们选用形曲线,而是第个单元到第单元联接的权系数，是的导数，正向传播时是从输入层一层一层地输出，上一层的输出作下一层的输入。于是有正向传播：（1）（2）（3）
因篇幅问题不能全部显示，请点此查看更多更全内容