人工神经网络是一种以生物神经系统为数学模型获得非线性处理数据能力的自适应系统,其在模式识别、预测估计、自动控制等领域成功地解决了很多计算机无法完成的实际问题。常见的人工神经网络包括BP神经网络、径向基神经网络、卷积神经网络等。其中,BP神经网络拓扑结构相对简单,理论及应用发展迅速,逐渐成为研究的热点。传统的BP神经网络学习算法是采用梯度下降的原理,对误差由后向前传递,计算各神经单元输出值与期望值的误差,并对隐含层权值进行逐层修正,达到期望输出误差最小的目的,这种方法存在收敛速度慢、易陷入局部极值的缺点。针对这个问题,许多学者引入智能优化算法对其学习阶段进行改进,如粒子群算法、萤火虫算法等,基于这些算法改进的BP神经网络通常有多个控制参数,并且需要选择初始点的位置。这些参数和初始点位置若选取的不合适,则很难搜索到最优的神经网络权值。基于这些算法的许多相关改进算法能够获得较好的结果,但是这些算法引入更多的控制参数,增加了算法复杂度。单形进化算法(SurfaceSimplex Swarm Evolution,SSSE)是一种新型的群智能优化算法,该算法具有更好的全局性和学习效率,同时多角色态搜索策略的运用保持了群体的多样性,全随机的搜索机制使得该算法在具有多个局部最优的函数目标优化体现了很好的拟合度,提升了算法运行效率。基于上述问题,本文将BP神经网络和单形邻域与多角色进化策略优化算法相结合,采用了一种基于单形进化的BP神经网络学习算法。该算法能够在不依赖参数选择的条件下,较好地使神经网络快速、一致地收敛到误差曲线的最小点,提高学习算法的正确率与学习效率,获得更高的识别率和收敛速度;另外,采用集成学习和多分类编码策略增加了分类的可靠性与神经网络的泛化能力。本文将该算法应用于有监督分类和人脸识别中,经过与其他方法的对比实验证明,本文算法对BP神经网络的作用是有效的,优化后的BP神经网络具有很好的鲁棒性和稳定性,具有一定的发展前景。