赵建民， 王雨萌

(东北石油大学 计算机与信息技术学院， 大庆 163318)

0 引言

1943年，Warren Mc Culloch 和 Walter Pitts 提出了神经网络层次结构模型[1]，确立为神经网络的计算模型理论，从而为机器学习的发展奠定了基础。1950年“人工智能之父”图灵发提出了著名的“图灵测试”，使人工智能成为了计算机科学领域一个重要的研究课题[2]。

人工智能已成为全球新一轮科技革命和产业变革的着力点[3]，其推广和应用获得了极大的成功，并逐渐成为一种极其重要的工程技术[4]。随着人工智能技术的日益成熟和不断深入，研究人员发现神经网络愈发体现出其优越的性能，神经网络是人工智能发展中所使用的重要方法，也是当前类脑智能研究中的有效工具[5]。而BP神经网络(Back Propagation Neural Networks，BPNN)[6]则是应用普及程度最高的一项神经网络内容[7-8]，BP神经网络已广泛应用于非线性建摸、函数逼近、系统辨识等方面[9]。

本文将对标准的BP神经网络算法进行改进，通过验证异或问题并结合模式识别[10]中的手写模式识别[11]，将变化学习率应用于经典的BP神经网络，用以解决固定学习率在训练模型时所出现的易越过全局极小值点、模型收敛速度慢[12]的问题。

2 BP神经网络

BP神经网络是一种信号由正向传播，误差按逆传播算法训练的多层前馈神经网络，BP神经网络具有非线性映射能力强，容错能力强，泛化能力强等优点。标准的BP神经网络模型包含三层，分别是输入层、隐藏层和输出层.在正向传播过程中，输入样本从输入层传入，传向输出层。……