bp神经网络算法（bp神经网络学习算法最核心的三部分是）

　　BP神经网络学习算法有三个主要部分，了解这个简单算法的重要性对初学者来说是很有意义的，因为这会引起他们对算法本身的重视。BP算法有着非常重要的历史意义和现实意义。在1969年，明斯基和佩珀特合作出版了《感知器》一书，证明了简单的线性感知器的功能有限，不能解决基本的“异或”问题，对多层网络也持悲观态度。这些论点给神经网络研究带来了很大的打击，许多科学家都离开了这个领域，神经网络的研究进入了一个低潮期长达10年之久。1974年，哈佛大学的Paul Werbos发明了BP算法，然而由于正值神经网络的低潮期，并没有受到应有的重视。1983年，加州理工学院的物理学家John Hopfield利用神经网络在解决旅行商问题上取得了当时最好的成绩，引起了轰动。然而，Hopfield的研究成果并没有提出明斯基等人论点的错误所在，要推动神经网络研究的全面开展，就必须直接解除对感知器-多层网络算法的疑虑。真正打破明斯基的限制的是David Rumelhart等学者出版的《平行分布处理:认知的微观结构探索》一书。这本书完整地提出了BP算法，系统地解决了多层网络中隐单元连接权的学习问题，并在数学上进行了完整的推导。这是神经网络发展史上的重要里程碑，BP算法迅速成为热门，掀起了神经网络的第二次高潮。