为10 个;隐含神经元数为10 个，神经元激活函数全部采用双曲正切S 型函数;输出神经元数为3 个，神经元激活函数全部取对数S 型函数。BP 网络训练参数设置：网络训练目标误差= 10E-7;最大循环次数为1000;初始权值为0.1;最大权更新值为50;学习率为0.9;学习步长为0.7。用训练模式样本训练BP 神经网络，确定网络的权值和偏差。训练成功后，把预测样本数据输入网络输入层，网络输入

数据经隐含层到达输出层，其过程不断反馈变化直到收敛，计算出BP 网络的预测值输出。将所测8 个变量31 组样本数据作为BP 网络输入样本，输入到已经训练好的BP 网络，得到预测BP 网络的预测结果如表2 所示。从这次金矿点矿化预测结果可以看出：1 号、2 号、5 号、16 号、22 号、28 号、29号、31 号等矿点矿化程度最高，其中在工作程度较大的1 号、2 号、5 号矿点发现金矿点，而16 号、22 号、28 号、29 号、31 号采样点分布在1 号、2 号、5 号东南向异常带内，可以作为后期验证点。4 结束语BP 神经网络在矿产分类预测中应用广泛，还可以同其它方法结合使用。影响BP 神经网络训练效果的主要因素是输入的训练样本，只要有足够的能够反映模式结构的特征训练样本，那么预测结果就能更准确的反映实际情况。

参考文献：

[1]陈守余,周春梅.人工神经网络模拟现实与应用[M].湖北:中国地质大学出版社,2000.

[2]魏海坤.神经网络结构设计的理论与方法[M].北京:国防工业出版社,2005.

[3]张代远.神经网络新理论与方法[M].北京:清华大学出版社,2006.[4] 胡伍生, 神经网络理论及其

BP神经元激活研究对提高医学水平是很重要的。

相关推荐：

失语症患者静息态fMRI及DTI成像研究