引自：(1)陈郑辉 肖克炎(2)杨宏 李海滨 （1中国地质科学院矿产资源研究所，北京 100037）（2吉林大学，吉林 长春130026） Application of BP Model in Forecast of Orogenic Gold Deposits in North Qaidam and East Kunlun Orogen ,West China Chen Zhenghui , Xiao Keyan , Yang Hong and Li Haibin (1 Institute of Mineral Resources, Chinese Academy of Geological Sciences, Beijing 100037, China; 2 Jilin University , Changchun 130026, Jilin, China) 摘 要 本文简要探讨了多阶层神经网络及误差逆传播学习算法（BP 模型）的结构和该算法的实施过程，并研究了 BP 模型在矿产资源综合评价中的应用。以应用柴北缘—东昆仑地区造山型金矿数据进行预测为例，证实BP 模型方法是一种有效的矿产资源评价方法。 20 世纪 80 年代中后期，在美国、日本等一些工业发达国家里，掀起了一股竞相研究开发人工神经网络的热潮，1987 年 6 月首届国际神经网络学术会议在美国加利福尼亚州召开，并成立了国际神经网络协会（International Neural Networks Society，简称为 INNS）。随后我国一些数学家和计算机科学家开始对这一领域产生兴趣，开展了一定的研究工作。近几年来，在神经网络这个涉及多种学科的现代信息高新技术领域中，吸引了众多的神经生理学家、心理学家、数理学家、计算机与信息工程学家以及工程企业家等。大量有关神经网络运行机理、神经计算机、网络模型与学习算法、特征分析以及各方面的应用文章，像雨后春笋涌现在学术会议和报刊杂志上，成为当代高科技领域中研究的热点。 1 神经网络BP模型概述 人工神经网络是数理科学与认识科学相结合的产物，它是一个并行、分布处理结构，由处理单元及称为联结的无向信号通道互连而成。这些处理单元具有局部内存，可以完成局部操作。每个处理单元单一的输出联结，这个输出可以根据需要被分支成希望个数的许多并行联结，而这些并行联结都输出相同的信号，即相应处理单元的信号，信号的大小不因分支的多少而变化。处理单元的输出可以是任何需要的数学模型，每个处理单元中进行的操作必须是完全局部的。也就是说，它必须仅仅依赖于经过输入联结到达处理单元的所有输入信号的当前值和存储在处理单元局部内存中的值。[next] 多阶层神经网络及误差逆传播学习算法（Error Back-propagation—EBP，或称之为前反馈神经网络—BP学习算法）是目前应用最广、实现途径最直观、运算机制最易理解、研究深入的一种人工神经网络。误差逆传播学习算法是 Pall Werbas 博士于1974年在他的博士论文中首先提出来的。 BP 神经网络是一种具有三层或三层以上阶层型结构的神经网络。层间各种神经元实现全连接，即下层的每一个单元与上层的每个单元都实现权连接，而每层各种神经元之间不连接。网络按有导师示教的方式进行监督训练学习，当一对学习模式提供给网络后，神经元的激活值，从输入层经各中间层向输出层传播，在输出层的各种神经元均获得网络的输入响应。并按照减少希望输出值与实际输出值之间误差的方向，从输出层经各中间层逐层修正各误差，最后回到输入层，所以称作“误差逆传播算法”。随着这种误差逆传播修正的不断进行，网络对输入模式响应的正确率也不断上升。最后在达到允许的误差范围内，网络达到平衡状态（实际输出值接近于希望输出值）而自动收敛。由于BP 神经网络及其算法增设了中间隐含层并且有相应的学习规则可循，使其具有对非线性模式的识别能力。尤其是其数学意义明确、算法步骤分明，更使其具有广泛的应用前景。

图1 BP网络的基本结构图[下一步]