1、BP神經(jīng)網(wǎng)絡在函數(shù)逼近、模式識別、分類、數(shù)據(jù)壓縮等領域有著非常廣泛的應用。然而，目前的BP神經(jīng)網(wǎng)絡模型主要是針對信息確定性問題進行研究?；趯嶋H應用的需求，應從信息不確定性、模糊性等方面進行相應的拓展。 在傳統(tǒng)的BP網(wǎng)絡模型里，訓練樣本往往都是以單值的形態(tài)存在的，但是在一些實際應用中，訓練樣本屬性值具有不確定性。此時，若是依然按照傳統(tǒng)BP神經(jīng)網(wǎng)絡的方法進行訓練和預測，則會大大影響網(wǎng)絡的泛化能力。目前，針對訓練樣本的灰色特點，很多

2、專家學者結合粗糙神經(jīng)元和模糊神經(jīng)元進行了深入的研究，并取得了一定的進展。然而，通過結合灰色系統(tǒng)理論知識，來處理訓練樣本不確定性問題的研究還比較少?；谝陨戏治?，本文提出了一種基于灰色神經(jīng)元的BP神經(jīng)網(wǎng)絡方法。該方法先分析了灰色神經(jīng)元的可行性；然后結合灰色理論的特點，提出了一種灰色神經(jīng)元的設計方法；最后根據(jù)設計的灰色神經(jīng)元，構建灰色BP神經(jīng)網(wǎng)絡預測模型，并通過實例驗證該模型的合理性和有效性。 此外，為了有效提高BP神經(jīng)網(wǎng)絡的學習性

3、能，需要從一個新的角度考慮神經(jīng)網(wǎng)絡的學習訓練。武妍、王守覺等提出的FBBP算法：將神經(jīng)網(wǎng)絡輸入調整與通常的權值調整的反向傳播算法結合起來，通過調整權值和輸入矢量值的雙重作用來提高神經(jīng)網(wǎng)絡的性能。但是在輸入矢量的調整過程中，輸入矢量值可能會無限制的增長，從而影響網(wǎng)絡的學習能力和泛化能力?；诖耍疚奶岢隽艘环N基于FBBP的新算法--GBP算法。該算法不僅將傳統(tǒng)的權值調整方法與輸入矢量調整的方法結合起來，并對輸入矢量進行灰度調整，通過縮小輸