神经网络是模型还是算法,常见的神经网络模型
神经网络训练一定次数后准确率突然下降怎么回事？
神经网络BP模型
一、BP 模型概述 Error Backpropagation (Error Backpropagation) 神经网络模型被称为 BP (Backpropagation) 网络模型[AI 爱发猫 www.aifamao.com](http://www.aifamao.com/ "AI 爱发猫 www.aifamao.com")。
PallWerbas博士在1974年的博士论文中首次提出了一种称为误差逆传播的学习算法。最终导致该算法被广泛接受的是以Rumelhart及其合作者McCelland为首的科学家团队的努力。
他们在1986年出版《ParallelDistributedProcessing,ExplorationsintheMicrostructureofCognition》一书中，在该书中对其误差逆传播学习算法进行了全面阐述和深入分析，并深入探讨了该算法潜在应用的可能性。
BP神经网络系统通常包含三层或更多层次的结构。各层之间的神经元均通过权值连接实现信息传递，而在同一层次内的神经元间未建立直接连接。
该网络采用有教师示教的学习方式，在接受了一对学习模式后，在输出层各神经元接收该网络对输入模式的响应中可以看到神经元激活值自输入层依次通过各隐藏层向前传递至输出层
在此时
在持续进行的误差逆传播修正过程中，网络对输入模式的响应准确度也随之提升。
BP神经网络主要应用于以下几种方式：第一种是函数近似，在这一过程中通过学习输入样本及其对应的目标输出样本之间的关系来实现对未知函数的近似；第二种是分类识别方法，在这一过程中将待分类样本与其预期结果进行匹配以实现分类识别；第三种是数据压缩方法通过降低输出维度从而提高信息传递效率；第四种是特征提取技术旨在从原始数据中提取具有代表性的特征信息
在实际应用领域中涉及人工神经网络的方面约占80%至90%，其中许多采用了BP（Backpropagation）算法或者其变形形式；同时构成了前向型神经网络的基础模块，并反映了人工神经网络体系中最核心的内容。
二、BP模型原理下面以三层BP网络为例，说明学习和应用的原理。
数据表示为学习模式集合{x_p,d_p}（其中p=1到P），而输入与目标模式分别由以下两组矩阵表征：输入空间中的样本特征矩阵X[N,P] = (x_1,x_2,...,x_P)，以及对应的目标空间特征矩阵D[M,P] = (d_1,d_2,...,d_P)）。这里N与M分别代表输入样本的数量与输出类别数量。
三层BP网络架构中输入层神经元数量为S_0=N（其中i=1,2,\dots,S_0）；隐含层神经元数量为S_1（其中j=1,2,\dots,S_1）；该类网络采用激活函数f_{{\rm 人工智慧}}[{\bm {W}}_{\rm BP}]；权值矩阵记为{\bm {W}}_{\rm BP}[{H},{I}]；偏置向量记作{\bm {b}}_{\rm BP}[{H}]
输出层神经元节点数S2=M，k=1，2，…，S2；神经元激活函数f2[S2]；权值矩阵W2[S2][S1]；偏差向量b2[S2]。
学习参数的目标误差为ϵ；初始权重的基准值为Δ₀；最大权重的上限设定为Δ_max；权重调整的增益系数设定为η⁺；权重调整的减益系数设定为η⁻
在确定误差函数时，在第p个输入模式下针对其产生的误差进行求取的方式被设定为中国矿产资源评价新技术以及评价新模型y2kp所采用，并基于BP神经网络算法进行相应的输出
BP网络学习公式的指导思想是通过优化过程使得误差函数沿着负梯度方向逐步减小直至满足目标精度要求的学习完成
各层次的输出由以下公式确定：输入层面通过数学运算得到 y₀_i = x_i（其中 i = 1到S₀）；隐含层面运用了创新的技术手段对数据进行评估；而输出层面则利用上述方法进行预测分析）。
输出节点的误差表达式是中国矿产资源评价新技术与评价新模型用于推导输出层节点梯度方程的过程。其中，该技术体系中总误差E被表示为多个中间变量y_{2m}函数的形式；然而，在这些中间变量中仅有一个变量y_{2k}与其对应的参数w_{kj}之间存在直接关联关系；而其余所有中间变量y_{2m}均与其他变量保持完全独立的状态。
其中基于中国矿产资源的新技术及新模型设定输出层节点的误差量为\delta_{2k} = (d_k - y_{2k}) \cdot f_2'(z_{2k})。进而基于中国矿产资源的新技术及新模型同理可得基于中国矿产资源的新技术及新模型对于隐含层节点求取梯度的过程。同时将能量函数E视为多个y_{2k}的函数基于此分析针对每一个参数组合(w_{1j,i})对应的输出单元激活值y_{1j}与其相关的所有输出误差\delta_{2k}之间存在关联关系。
由此可见，在上述公式中仅涉及对k的累加运算。其中隐含层节点的误差设定为中国矿产资源评价新技术与评价新模型所提出的Resilient Backpropagation算法——弹性BP算法（RPROP）。类推可得中国矿产资源评价新技术与评价新模型4.采用弹性BP算法（RPROP）用于计算权值矩阵W和偏差向量b的修正量ΔW和Δb。1993年德国Martin Riedmiller和Heinrich Braun在他们的论文《A Direct Adaptive Method for Faster Backpropagation Learning: The RPROP Algorithm》中提出Resilient Backpropagation算法——弹性BP算法（RPROP）。
该创新方法旨在减少梯度大小对权重更新幅度的负面影响，并在此过程中确定权重更新方向的主要依据是其符号信息
中国矿产资源评价新技术与新模型中，在模式集所有模式（批学习）上的梯度信息计算得到一个权重向量；该权重向量的变化幅度完全由相应的"更新值"决定；而（t）代表第t时刻或第t次迭代过程中的某个时间点/阶段
基于给定规则进行权更新：当导数为正值时（即导致误差增大），该权将被相应地减少；而当导数为负值时（即指示着误差减小的方向），其权重会相应地增加。中国矿产资源评价新技术与评价新模型RPROP算法依据局部梯度信息实现了对权重步长的直接调整。
对于每个权，我们引入它的各自的更新值，它独自确定权更新值的大小。
该自适应过程主要依赖于符号相关性，并通过分析误差函数E的局部梯度信息来实现对相关参数的更新。该算法遵循特定的学习规则来优化中国矿产资源评价的新技术与新模型，并且满足条件式约束关系：其中0＜η-＜1＜η+。
每当在某个时刻观察到目标函数的梯度发生变化时，则表明当前的学习率设置过高；此时应降低学习率参数（用η-乘以当前权重更新值）以减少权重更新幅度。相反地，在这种情况下应当提高学习率参数（使用η+乘以当前权重更新值）以增强权重更新效果。
为了降低自由调节参数的数量，并提高倍数因子η+的最大值以及减小倍数因子η–的最大值，在多次实验中将其设定为η+=1.2和η-=0.5这两个固定值后，在实际应用中表现出了显著的优势。
该算法采用两个参数：初始权重更新因子Δ_0和最大权重更新因子Δ_{\text{max}}。在学习开始时，默认所有权重更新因子设为Δ_0。其直接决定了前期权重步长的大小，并根据各自初始化设定，并如标准做法中所选用的那样。
改写说明
我们有可能实现误差减小后的平滑性能表现。5.具体计算修正权值W与偏差b在第t次学习过程中的更新值时，请遵守以下修正公式：W(t) = W(t-1) + \Delta W(t)以及b(t) = b(t-1) + \Delta b(t)；其中t表示学习次数变量。
6.BP网络的学习终止条件是累计误差的平方和小于预设阈值ε时
当使用BP神经网络进行预测时，在系统中将待处理的数据作为网络输入传递至输入层单元，在线性变换的基础上依次经过各隐含层节点并通过非线性激活函数进行处理后，在输出层单元生成最终的输出结果
神经元激活函数f采用线性函数形式f(x)=x时，则其导数值f'(x)=1恒成立。该函数接受所有实数作为输入域（即(-\infty, +\infty)），同时其输出范围同样覆盖整个实数轴（即(-\infty, +\infty)）。这种激活函数通常应用于输出层节点设计中，并且能够使得网络模型具有无限多的可能性输出结果。
该技术中的S型函数映射用于中国矿产资源评价的新技术和新模型f映射具有自变量域为(-∞, +∞)，值域为(0, 1). 该导数方程表明，在定义域为(-∞, +∞)时，在值域方面从上界趋近于1逐渐下降。
通常应用于隐含层中，并将(-∞, +∞)的输入值域转换为(0, 1)的网络输出范围。对于较大的输入值而言，其放大因子相对较小；而对于较小的输入值，则放大因子较大。因此，在处理能力上能够有效拟合非线性输入/输出关系。
在模式识别领域中，在用于分类任务时，则可在分类层中使用该方法，并能生成逼近于0或1的二进制分类结果；采用双曲正切S型函数在中国矿产资源评价中采用了新技术与新模型构建f(x)，该函数可接受任意实数值作为输入，并将这些输入转换为介于-1到1之间的数值
f′(x)=1-f(x)·f(x)，f′(x)的输入范围(-∞，+∞)，输出范围(0，1]。
常用于隐藏层，在将其从负无穷到正无穷转换为-1到1之间的同时（注意：这里的转换过程具体是怎样的？）对于较大的数值来说（注意：这里的"数值"是否正确？），其缩放因子相对较小；而对于绝对值较小时的情况，则缩放因子较大。因此可用于处理和逼近非线性关系。
基于阶梯函数的第一类中国矿产资源评价新技术及新型评价模型中,对于函数f(x),其定义域为区间(-∞, +∞),输出值限定在集合{0, 1}内;并且满足导数关系式f′(x)=0
类型2中国矿产资源评价新技术与评价新模型f(x)的输入范围(-∞，+∞)，输出范围{-1，1}。f′(x)=0。
中国的矿产资源评价新方法与新模型f(x)其定义域为实数集R，在映射关系下其值域为闭区间[0,1]；与此同时中国矿产资源评价新方法与新模型f′(x)同样具有相同的定义域R但其值域限定于离散点集合{y | 0 ≤ y ≤ 1}
第二类矿物资源评估技术与新型评估模型f(x)对数据进行接受（-∞,+∞）区间内的处理，并生成结果为[-1,1]区间的数值。新的矿物资源评估技术与新型评估模型f′(x)对数据进行接受（-∞,+∞）区间内的运算，并生成结果为{0,1}集合中的数值。
（1）输入数据集X_{N \times P}及初始超参数S_0, S_1, f_1\left(S_1\right), S_2, f_2\left(S_2\right)；
（2）确定输入数据集X_{N \times P}各字段的最大极值与极小值矩阵X_{\text{max}}[N]及X_{\text{min}}[N]；
（3）设定隐含层权重W_₁与偏置b₁。
情形1：隐含层激活函数f()都是双曲正切S型函数1)计算输入模式X[N][P]的每个变量的范围向量Xrng[N]；2)计算输入模式X的每个变量的范围均值向量Xmid[N]；3)计算W，b的幅度因子Wmag；4)产生[-1，1]之间均匀分布的S0×1维随机数矩阵Rand[S1]；5)产生均值为0，方差为1的正态分布的S1×S0维随机数矩阵Randnr[S1][S0]，随机数范围大致在[-1，1]；6)计算W[S1][S0]，b[S1]；7)计算隐含层的初始化权值W1[S1][S0]；8)计算隐含层的初始化偏差b1[S1]；9))输出W1[S1][S0]，b1[S1]。
情形2：所有隐含层激活函数f()均为S型函数。
(1) 计算输入模式X[N][P]中各变量的范围向量Xrng[N]。
(2) 计算输入模式X各变量的均值向量Xmid[N]。
(3) 计算W和b的比例因子Wmag。
(4) 生成服从[-1,1]区间上均匀分布的S0×1维度随机矩阵Rand[S1]。
(5) 生成均值为0、方差为1的标准正态分布下S1×S0维度随机矩阵Randnr[S1][S0]（其数值大致分布在-1至+1之间）。
(6) 计算W[S1][S0]和b[S1]。
(7) 初始化隐含层权值矩阵W₁[S₁][S₀]。
(8) 初始化隐含层偏置向量b₁[S₁].
(9) 输出结果：W₁[S₁][S₀], b₁[S₁].
情形3：隐含层激活函数f()为其他函数的情形1)计算输入模式X[N][P]的每个变量的范围向量Xrng[N]；2)计算输入模式X的每个变量的范围均值向量Xmid[N]；3)计算W，b的幅度因子Wmag；4)产生[-1，1]之间均匀分布的S0×1维随机数矩阵Rand[S1]；5)产生均值为0，方差为1的正态分布的S1×S0维随机数矩阵Randnr[S1][S0]，随机数范围大致在[-1，1]；6)计算W[S1][S0]，b[S1]；7)计算隐含层的初始化权值W1[S1][S0]；8)计算隐含层的初始化偏差b1[S1]；9)输出W1[S1][S0]，b1[S1]。
输出层的权值W₂和偏差b₂初始化步骤如下：第一步，在区间[-1, 1]上生成服从均匀分布的S₂×S₁维随机数矩阵W₂；第二步，在区间[-1, 1]上生成服从均匀分布的S₂×1维随机数向量b₂；第三步输出生成的权重参数组W₂和偏差参数组b₂。
此外，在本研究中将采用RPROP算法来训练包含输入层、中间层和输出层的三层前馈神经网络模型。具体而言本研究将针对以下总体优化问题进行求解： Train3BP_RPROP(S0,X,P,S1,W₁,b₁,f₁,S₂,W₂,b₂,f₂,d,TP)(其中输入参数P对应于模式集{(x_p,d_p)}（p=1,…,P）；该网络由输入层、中间层和输出层构成；涉及的学习参数包括权重矩阵和偏置向量)
(2)学习初始化1)；2)各层W，b的梯度值，初始化为零矩阵。
(3)基于输入模式X计算第一阶段各层输出值分别为y0、y1、y2，并计算初始阶段的平均误差值MSE。(4)进入第一个学习周期（epoch=1）。(5)若当前训练阶段的平均误差值小于设定阈值ϵ，则直接跳转至步骤（12）继续后续操作。
(6) 记录上一轮（epoch-1）训练阶段各层参数W与b的梯度信息。(7) 计算当前轮（epoch）训练阶段各层参数W与b的具体梯度数值。1) 计算当前轮训练阶段各层误差反向传播值δ；2) 计算第p轮训练阶段各层参数W与b的具体梯度数值。(3) 对于p=1, 2, …, P的所有轮次中模式产生的参数组合进行梯度信息累积计算。
当 epoch 等于 1 时，在上一轮迭代中各层参数 W 和 b 的梯度值会被设置为当前轮次中对应的 W 和 b 参数。
(9)计算各层权重参数Δ_ij的更新值；1)首先计算权值更新量Δ_ij；2)然后分别计算网络中各层权重参数Δ_ij和偏置参数b_j的更新值；3)最后计算第epoch次学习循环后各层权重参数Δ_ij和偏置参数b_j的修正值。
通过更新后的各层参数W和b进行计算，在当前迭代中得到各层输出值y0、y1和y2及其对应的误差MSE
令 epoch 值增一，在当前迭代完成后检查该值是否不超过 MAX_EPOCH；若满足，则继续执行步骤 (5)，否则跳转至步骤 (12).
(12) 输出处理 1) 如果 MSE 小于等于 误差阈值 ε，则学习达到了目标误差要求，并输出相应的权重参数 W₁, b₁, W₂, b₂； 2) 如果 MSE 大于等于 ε，则学习未能达到目标误差要求，并重新启动学习过程。
该算法开始通过Train3lBP_RPROP()训练三层BP结构（包含输入层、隐含层和输出层）以获取权值W及偏差b，并随后进行该三层BP结构的预测。
函数：Simu3lBP()。
- 输入参数包括用于预测P个输入数据向量xp（其中p=1,2,…,P）以及三层BP神经网络结构，并学习获得各层权值W和偏差b。
通过系统对待预测的输入样本集xp（其中p=1至P）进行处理以获得网络输出y₂[S₂][P]。
该系统将生成相应的预测信息y₂[S₂][P]。
四、BP神经网络的整体工作流程如附图所示。
五、数据流图BP网数据流图见附图1。
六、实例 一 全国铜矿化探 异常 数据 BP 模型识别 1. 全国 铜 矿 化 探 异常 数据 准备 在 全国 铜 矿 化 探 数据 应用 稳健 统 计 学 方法 确 定 铜 异 常 下 限 值 为 33.1 ， 并 构 建 全 国 铜 矿 化 探 异常 数据集
模型数据的准备工作主要基于全国范围内的铜矿化探异常数据分析。具体来说，在初步筛选的基础上我们选择了7大类共33个典型矿点的化探指标作为该模型的数据集来源
包括以下七种类型：岩浆岩型铜矿、斑岩型铜矿、矽卡岩型、海相火山型铜矿、陆相火山型铜矿、受变质作用影响的铜矿以及海相沉积作用影响的铜矿类别，并额外补充了一个不含任何异常Cu分布的模型案例（见表8-1）。3.建立并收集覆盖全国范围的地质勘探资料库作为测试数据集
4.BP网络具有两层隐藏层，在输入层至输出层层间各向量维度依次为14、9、5和1。其学习速率为0.9，并规定系统的误差阈值设定为1\times 10^{-5}。该网络结构未引入动量项以避免振荡现象的影响。继续附录表8-1中的模型数据
根据全国金 mine 资源储量及品位分布特征，在建立 BP 模型过程中采用了分步分析的方法
2.搭建采样点和部分金矿区域的金属含量、矿石总量以及 ore grade 数据作为测试集。BP神经网络架构设计如下：输入单元采用三维空间特征；中间隐藏层设置一层；中间隐藏单元同样采用三维表示；输出单元设计成四维结构；优化算法选择学习率为 0.8 的 Adam 优化器；系统误差指标设定在 1e-4 水平；训练迭代共计 5,000 次。
表8-2模型数据4.计算结果结果见表8-3、8-4。表8-3训练学习结果表8-4预测结果(部分)续表。
神经网络研究现状
光谱分析由于其具有高灵敏度、无损检测和高效快捷地测定物质的化学成分及其相对含量而被广泛应用于分析化学、生物化学与分子生物学等领域的研究中。
当前阶段中, 光谱分析技术已逐渐趋于完善. 基于光谱分析理论构建的高分辨率遥感技术如今已被广泛应用. 在农业领域中, 不仅能够系统地获取农田相关信息, 并且能够评估作物生长状况; 同时还能估算作物产量水平; 此外, 在农业病虫害监测方面具有显著的应用价值.
光谱分析方法尽管在物质波谱辨识方面表现突出，在处理'相同光谱下的不同物质'以及'不同光谱下的相同物质'这类问题时仍需结合现代先进分析手段进行处理。其中小波变换、卡尔曼滤波、人工神经网络（ANN）以及遗传算法（GA）等是当前应用较为广泛的技术手段。
在光谱分析领域内，人工神经网络（ANN）已被广泛应用于物质生化组分的定量测定（陈振宁等人于2001年；印春生等人于2000年）。此外，在光度分析方面也有较多的应用实例可举。例如，在20世纪末期的研究中（如于洪梅等人于20世纪末的研究），ANN被用来分析铬与锆元素的混合吸收光谱特征，并结合分光度法实现两者的精确测定。
ANN在非线性校准与光谱数据处理等方面也有应用（Blank，1993；方利民等；2008）。
ANN在模式识别中的应用普遍性显著；基于遗传算法的该研究采用将混合小波系数分类识别的方法
当前基于自组织特征映射（Self-Organizing Feature Maps, SOFM）神经网络在高光谱影像模式识别领域的研究与应用尚显不足，并且国内及国外在这方面研究与应用尚显不足。相比之下，在遥感波谱维光谱分析技术结合下的应用研究就更为匮乏。
SOFM常被应用于遥感图像处理领域，在此背景下,Moshouetal.（2005）通过建立基于SOFM神经网络的数据融合模型,成功将分类误差降至最低1%；随后,Doucetteetal.（2001）则开发了一种基于该算法的新方法,成功从高分辨率影像的分类结果中提取出道路元素；此外,Toivanenetal.（2003）进一步表明,该技术不仅适用于小规模数据,还具有良好的扩展性,能够有效地处理大规模遥感影像中的边缘检测问题；最后,Moshouetal.（2006）运用这一方法对小麦叶片光谱数据进行了深入分析,实现了对植株早期黄锈病状态的精准识别,其准确率达到99%以上
但是，在某些分类问题中（其中样本的真实类别信息往往难以获得），SOFM的独特之处在于它能够自主发现样本间的内在规律以及本质属性。相较于BP（BackPropagation）等其他神经网络模型而言，则主要体现在这一特性使得SOFM在模式识别与分类方面的应用得到了显著的拓展
鉴于此，在本章中主要从光谱分析的角度探讨高分辨率遥感影像的信息解析与特征识别问题，并在此过程中根据不同类型的高光谱模型提供了相应的数据分解方法。随后运用自组织特征映射网络（SOFM）将具有较高相似性特性的分解结果进行分类判别，并通过结合光谱分析手段实现采样点的分类判别。最终研究者通过小麦条锈病病斑图像中病斑区域亮度特性和纹理特征的数据提取来判断其感染程度，并在此基础上提出了基于波普尔理论的高分辨率遥感影像波普尔维普特定理的新判别方法。
神经网络是什么？
神经网络涉及两种类型：一个是生物神经网络（通常指的是大脑中的神经元、细胞和突触组成的系统），另一个是人工神经网络（基于仿生学原理构建的计算模型）。其中生物神经网络通常用来模拟和研究生物体的意识形成机制及其行为控制方式。
人工神经网络（Artificial Neural Networks, 简写为ANNs）也可被称为神经网络（NNs），另有别名为连接模型（Connection Model）。它是模拟动物神经系统的行为特性的算法数学模型，并能实现对信息的高度并行处理能力。
这种网络依赖于系统的复杂程度这一特征，在通过调节内部大量节点之间的相互连接关系的过程中实现了对信息的处理目的。人工神经网络：一种基于类似大脑神经突触联接结构的信息处理数学模型。
在工程与学术界也常直接简称为“神经网络”或类神经网络。
神经网络模型 nlp是什么意思
Neuro-LinguisticProgramming被称作神经语言程序学，并在英语中简称为NLP。在港府另有意译名为身心语法程式学。其中字母N代表神经系统，在此指代包括大脑在内的思维活动。
L(Linguistic)指代语言这一概念更为精确地讲，则是从感觉信号的输入开始直至形成意义的过程。而P(Programming)，则代表一组旨在生成特定结果的具体指令
即指思维与行为习惯的集合等同于电脑程序这些习惯能够通过软件升级来改变状态由此可见NLP本质上是研究人类大脑运作机制的学科了解大脑的工作原理后我们就能更好地利用它以实现人生目标与幸福
也因此，把NLP译为"身心语法程式学"或"神经语言程式学"。
BP人工神经网络
人工神经网络（Artificial Neural Network, ANN）是指由很多与自然神经系统相类似的神经元联结而成的网络。主要运用工程技术手段来模拟生物网络的结构特性及其功能特性的一类复杂的系统。
神经网络不仅具备处理数值数据的能力，并且能够模拟知识的思维、学习与记忆过程。它采用了类似于"黑箱模型"的方式，在经过自我学习和记忆功能后，能够识别输入与输出变量之间的复杂非线性关系（映射）。当需要解决问题或进行预测时，在系统中输入已知的数据信息；基于训练好的模型结构和已掌握的知识体系进行推理运算。
岩土工程中的常见问题是具有非线性的特点，在这种情况下各个变量之间存在极其复杂的关联关系，并且无法通过精确的数学、力学模型来进行有效的描述和分析
实测数据在工程现场的代表性与其设置位置、覆盖范围及采用手段密切相关；然而，在很多情况下难以达到传统统计技术所需的数据特征及规律性要求；鉴于岩土工程信息具有复杂多变性和不确定性的特点；因此，在解决相关问题时采用神经网络算法是合理的选择。
BP神经网络模型被称为误差反向传播（Backpropagation）网络模型的简称。该模型包含输入层、中间层和输出层三个组成部分。
网络的学习环节即为对网络各层节点间连接权逐步调整的过程。这一过程包括正向传播与反向传播两种形式。
正向传播是通过从前一层到后一层依次传递的方式完成信息的传递；反向传播过程中基于均方误差计算的信息沿着连接路径返回，并沿着相同的路径将误差信号传递回去。为了优化模型性能，在反向过程中需要不断调整各神经元间的权重参数，并最终使整体的损失函数达到最小值。
BP神经网络模型在建立与应用阶段中，在其建立过程及其应用阶段中都存在一些问题及改进建议。（1）对于神经网络而言，在数据量越多的情况下，在提高训练效果的同时也会更加准确地反映出实际情况。
在实际操作过程中，受限于条件限制，在获取大量样本值进行训练方面存在一定困难（即样本数量偏少）。尽管在计算效率上存在一定的局限性（约为50%），但BP网络模型在表达预测量与其相关参数之间的亲疏程度方面仍存在不足。
（3）基于定量数据构建模型，在获取充足资料的前提下，将定性指标如基坑降水方式、基坑支护模式、施工工况等与若干易获取的定量指标作为输入层，并以评价等级构成输出层，则建立的BP网络模型将更具准确性与全面性。
（4）BP人工神经网络系统具有非线性、智能的特点。
较为全面地涵盖了定性描述与定量计算、精确逻辑分析以及非确定性推理等多个方面；然而由于样本选取的不同会导致各要素的重要性程度存在差异；同时，在利用先验知识及前人经验对定性的参数进行量化处理的过程中必然会会影响到评价结果的客观性和准确性。
因此，在实际评价中仅限于根据不同的基坑施工工况、不同的周边环境条件以及针对不同用户的需求，采用相应的分析指标以满足复杂工况条件下地质环境评价的要求，并取得较好的应用效果。