隐层的层数和隐层神经元的个数与输入技术特征参数的复杂程度和需要识别的故障模式种类有着紧密的，当出现输入模式和输出模式不能够顺利匹配时，就不得不提加隐层层数，以便于建立输入信号的中间转换，处理信号的能力也是随着隐层层数的提加而逐步增加，假使设定BP网存在足够的隐层个数，输入模式转换为输出模式也始终保持着十分的适宜。就目前所经历的情况来说，还没有任何一种理论依据可以作为BP网必须要提加到两个层次以上的隐层，对于绝大多数的实际问题来说，只有一个隐层的神经网络（三层）就能够解决实际问题了。以实际工程应用的经验做依据，把BP神经网隐层的数目提加到两个或以上可以说是没有任何优势而言的，BP神经网采用隐层的数目越大，它的训练时间不可避免的会飞速增加，形成这种现象的主要原因是伴随着隐层数目的不断提加，误差向后传播这一过程中所需的计算量自然也就会变得越来越大。除了这一点之外隐层的层数增加后，局部的zui小误差的值也会变大，在BP网络训练过程中网络是十分容易陷入到局部zui小误差，zui终难以跳出训练学习的过程，网络的权重要调整到zui小误差处是难以办到的。根据实际的需要和以上的具体分析不难可以看出，针对作为本文研究对象的广一水泵电机而建立的BP网络隐层数目设置为1,确定隐层数目之后更为重要的一个问题是怎样在隐层选择适当数目的神经元（神经处理单元）。几乎可以肯定的说，定下隐层神经单元的数目是所要建立的BP网络成功与否的关键要点，这是由于如果把隐层神经单元数取值的太小，那么网络所能够获得的用以解决实际问题的信息量太少，面对稍微复杂的问题根本是无从应对；相反，如果把隐层神经单元数取值的太大，不仅使得BP网的训练时间飞速变长，而且这个训练学习的时间根本是人们所无法想象的长，这是根本不能够接受的，更加令人头疼和棘手的问题无疑是是过量的的隐层处理单元数目还极易出现被称之为“极度贴合”的问题。简而言之，如果BP网络具有过度强悍的信息处理能力，那么就会把训练学习集中一些没有太大意义的信息也纳入进行深入学习的范畴。这样，网络要分辨数据中真正的模式就非常难了。

如想了解更多关于广州广一泵业有限公司的信息，可关注：http://www.gygpump。。ｃｏｍ  ： 李

：/      / 

：李                            /

地址：广州市科韵南路133号