试设计一个算法，能通过动态调整学习率显著提升收敛速度，编程实现该算法，并选择两个UCI数据集与标准的BP算法进行实验比较。
1.方法设计
传统的BP算法改进主要有两类：
- 启发式算法：如附加动量法，自适应算法
- 数值优化法：如共轭梯度法、牛顿迭代法、Levenberg-Marquardt算法
(1)附加动量项
这是一种广泛用于加速梯度下降法收敛的优化方法。其核心思想是：在梯度下降搜索时，若当前梯度下降与前一个梯度下降的方向相同，则加速搜索，反之则降速搜索。
标准BP算法的参数更新项为：
在添加动量项后，基于梯度下降的参数更新项为：
始终，)
式中)表示上一次梯度下降的方向和大小信息对当前梯度下降的调整影响。
(2) 自适应学习率
附加动量法面临选取率的选取困难，进而产生收敛速度和收敛性的矛盾。于是另考虑引入学习速率自适应设计，这里给出一个·自适应设计方案：
上式中，)为第t次迭代时的自适应学习速率因子，下面是一种计算实力：
)
= 2 λ
其中)
这样，学习率的变化可以反映前面附加动量项中的“核心思想”。
（3）算法总结
将上述两种方法结合起来，形成动态自适应学习率的BP改进算法：
从上图及书中内容可知，输出层与隐层的梯度项不同，故而对应不同的学习率 η_1 和 η_2，算法的修改主要是第7行关于参数更新的内容：
将附加动量项与学习率自适应计算代入，得出公式(5.11-5.14)的调整如下图所示：
2.对比实验