BP网络的训练算法的一个普遍问题是易陷入局部极小.为了解决SPDS算法的这个问题,针对其特点设计了一组新填充函数.通过对该填充函数的分析,证明了用它代替目标函数进行搜索的等价性,并据此改进了SPDS算法.算法的仿真试验证明:当SPDS算法陷入局部极小点时,用设计的填充函数代替目标函数,从而使算法不受局部极小问题的羁绊,可以快速收敛到全局极小点.

针对BP网络的训练算法SPDS算法,研究了局部极小问题.利用基于单参数动态搜索算法的SPDS算法的变量逐一搜索的特点,证明了每次迭代的等价误差函数均为拟凸函数,进而极小点存在并可求出.将迭代必将收敛的初值集合定义为全局极小区域,针对局部极小问题给出L-SPDS算法,并证明了SPDS算法的全局极小区域沿坐标轴方向扩张的区域既是L-SPDS算法的全局极小区域,从而SPDS算法收敛于全局极小点的可能性大大增加了,算法的仿真试验也证明了这一点.