本文檔的主要內(nèi)容詳細介紹的是人工神經(jīng)網(wǎng)絡的評價方法詳細資料說明。

　　在當今社會， 面臨許許多多的選擇或決策問題。人們通過分析各種影響因素， 建立相應的數(shù)學模型， 通過求解最優(yōu)解來得到最佳方案。由于數(shù)學模型有較強的條件限制， 導致得出的最佳方案與現(xiàn)實有較大誤差。只有重新對各種因素進行分析， 重新建立模型， 這樣存在許多重復的工作， 而且以前的一些經(jīng)驗性的知識不能得到充分利用。為了解決這些問題， 人們提出模擬人腦的神經(jīng)網(wǎng)絡工作原理， 建立能夠“學習”的模型， 并能將經(jīng)驗性知識積累和充分利用，從而使求出的最佳解與實際值之間的誤差最小化。通常把這種解決問題的方法稱之為人工神經(jīng)網(wǎng)絡（ Artificial Neural Network ）。

　　人工神經(jīng)網(wǎng)絡主要是由大量與自然神經(jīng)細胞類似的人工神經(jīng)元互聯(lián)而成的網(wǎng)絡。各種實驗與研究表明： 人類的大腦中存在著由巨量神經(jīng)元細胞結(jié)合而成的神經(jīng)網(wǎng)絡， 而且神經(jīng)元之間以某種形式相互聯(lián)系。人工神經(jīng)網(wǎng)絡的工作原理大致模擬人腦的工作原理， 它主要根據(jù)所提供的數(shù)據(jù)，通過學習和訓練，找出輸入與輸出之間的內(nèi)在聯(lián)系， 從而求取問題的解。人工神經(jīng)網(wǎng)絡反映了人腦功能的基本特性， 但并不是生物神經(jīng)系統(tǒng)的逼真描述， 只是一定層次和程度上的模仿和簡化。強調(diào)大量神經(jīng)元之間的協(xié)同作用和通過學習的方法解決問題是人工神經(jīng)網(wǎng)絡的重要特征。

　　人工神經(jīng)網(wǎng)絡是模仿生物神經(jīng)網(wǎng)絡功能的一種經(jīng)驗模型，首先根據(jù)輸入的信息建立神經(jīng)元，通過學習規(guī)則或自組織等過程建立相應的非線性數(shù)學模型， 并不斷進行修正， 使輸出結(jié)果與實際值之間差距不斷縮小。人工神經(jīng)網(wǎng)絡通過樣本的“學習和培訓”， 可記憶客觀事物在空間、時間方面比較復雜的關(guān)系，它能夠把問題的特征反映在神經(jīng)元之間相互聯(lián)系的權(quán)值中，所以，把實際問題特征參數(shù)輸入后，神經(jīng)網(wǎng)絡輸出端就能給出解決問題的結(jié)果。

　　神經(jīng)網(wǎng)絡的特點是， 神經(jīng)網(wǎng)絡將信息或知識分布儲存在大量的神經(jīng)元或整個系統(tǒng)中。它具有全息聯(lián)想的特征， 具有高速運算的能力， 具有很強的適應能力， 具有自學習、自組織的潛力。另外，它有較強的容錯能力，能夠處理那些有噪聲或不完全的數(shù)據(jù)。

　　基于人工神經(jīng)網(wǎng)絡的多指標綜合評價方法通過神經(jīng)網(wǎng)絡的自學習、自適應能力和強容錯性，建立更加接近人類思維模式的定性和定量相結(jié)合的綜合評價模型。訓練好的神經(jīng)網(wǎng)絡把專家的評價思想以連接權(quán)的方式賦予于網(wǎng)絡上， 這樣該網(wǎng)絡不僅可以模擬專家進行定量評價， 而且避免了評價過程中的人為失誤。由于模型的權(quán)值是通過實例學習得到的， 這就避免了人為計取權(quán)重和相關(guān)系數(shù)的主觀影響和不確定性。

　　反向傳播（ Back Propagation， BP ）神經(jīng)網(wǎng)絡是由Rumelhart 等人于1985 年提出，它是一種多層次反饋型網(wǎng)絡?；贐P人工神經(jīng)網(wǎng)絡的綜合評價方法具有運算速度快、問題求解效率高、自學習能力強、適應面寬等優(yōu)點， 較好地模擬了評價專家進行綜合評價的過程， 因而具有廣闊的應用前景。