以下是小编为大家收集的人工神经网络论文，本文共11篇，希望对大家有所帮助。
篇1：人工神经网络论文
摘要随着科学技术的发展，人工神经网络技术得到了空前的发展，并且在诸多领域得到了广泛的应用，为人工智能化的发展提供了强大的动力。人工神经网络的发展经历了不同的阶段，是人工智能的重要组成部分，并且在发展过程中形成了自身独特的特点。文章对人工神经网络的发展历程进行回顾，并对其在各个领域的应用情况进行探讨。
关键词人工神经网络;发展;应用
随着科学技术的发展，各个行业和领域都在进行人工智能化的研究工作，已经成为专家学者研究的热点。人工神经网络就是在人工智能基础上发展而来的重要分支，对人工智能的发展具有重要的促进作用。人工神经网络从形成之初发展至今，经历了不同的发展阶段，并且在经济、生物、医学等领域得到了广泛的应用，解决了许多技术上的难题。
篇2：人工神经网络论文
关于人工神经网络，到目前为止还没有一个得到广泛认可的统一定义，综合各专家学者的观点可以将人工神经网络简单的概括为是模仿人脑的结构和功能的计算机信息处理系统[1]。人工神经网络具有自身的发展特性，其具有很强的并行结构以及并行处理的能力，在实时和动态控制时能够起到很好的作用;人工神经网络具有非线性映射的特性，对处理非线性控制的问题时能给予一定的帮助;人工神经网络可以通过训练掌握数据归纳和处理的能力，因此在数学模型等难以处理时对问题进行解决;人工神经网络的适应性和集成性很强，能够适应不同规模的信息处理和大规模集成数据的处理与控制;人工神经网络不但在软件技术上比较成熟，而且近年来在硬件方面也得到了较大发展，提高了人工神经网络系统的信息处理能力。
篇3：人工神经网络论文
3.1 在信息领域中的应用
人工神经网络在信息领域中的应用主要体现在信息处理和模式识别两个方面。由于科技的发展，当代信息处理工作越来越复杂，利用人工神经网络系统可以对人的思维进行模仿甚至是替代，面对问题自动诊断和解决，能够轻松解决许多传统方法无法解决的问题，在军事信息处理中的应用极为广泛[4]。模式识别是对事物表象的各种信息进行整理和分析，对事物进行辨别和解释的一个过程，这样对信息进行处理的过程与人类大脑的思维方式很相像。模式识别的方法可以分为两种，一种是统计模式识别，还有一种是结构模式识别，在语音识别和指纹识别等方面得到了广泛的应用。
3.2 在医学领域的应用
人工神经网络对于非线性问题处理十分有效，而人体的构成和疾病形成的原因十分复杂，具有不可预测性，在生物信号的表现形式和变化规律上也很难掌握，信息检测和分析等诸多方面都存在着复杂的非线性联系，所以应用人工神经网络决解这些非线性问题具有特殊意义[5]。目前，在医学领域中的应用涉及到理论和临床的各个方面，最主要的是生物信号的检测和自动分析以及专家系统等方面的应用。
3.3 在经济领域中的应用
经济领域中的商品价格、供需关系、风险系数等方面的信息构成也十分复杂且变幻莫测，人工神经网络可以对不完整的信息以及模糊不确定的信息进行简单明了的处理，与传统的经济统计方法相比具有其无法比拟的优势，数据分析的稳定性和可靠性更强。
3.4 在其他领域的应用
人工神经网络在控制领域、交通领域、心理学领域等方面都有很广泛的应用，能够对高难度的非线性问题进行处理，对交通运输方面进行集成式的管理，以其高适应性和优秀的模拟性能解决了许多传统方法无法解决的问题，促进了各个领域的快速发展。
4总结
随着科技的发展，人工智能系统将进入更加高级的发展阶段，人工神经网络也将得到更快的发展和更加广泛的应用。人工神经网络也许无法完全对人脑进行取代，但是其特有的非线性信息处理能力解决了许多人工无法解决的问题，在智能系统的各个领域中得到成功应用，今后的发展趋势将向着更加智能和集成的方向发展。
参考文献
[1]徐用懋，冯恩波.人工神经网络的发展及其在控制中的应用[J].化工进展，1993(5)：8-12，20.
[2]汤素丽，罗宇锋.人工神经网络技术的发展与应用[J].电脑开发与应用，(10)：59-61.
[3]李会玲，柴秋燕.人工神经网络与神经网络控制的发展及展望[J].邢台职业技术学院学报，2009(5)：44-46.
[4]过效杰，祝彦知.人工神经网络的发展及其在岩土工程领域研究现状[J].河南水利，(1)：22-23.
[5]崔永华.基于人工神经网络的河流汇流预报模型及应用研究[D].郑州大学，.
篇4：人工神经网络论文
2.1 萌芽时期
在20世纪40年代，生物学家McCulloch与数学家Pitts共同发表文章，第一次提出了关于神经元的模型M-P模型，这一理论的提出为神经网络模型的研究和开发奠定了基础，在此基础上人工神经网络研究逐渐展开。1951年，心理学家Hebb提出了关于连接权数值强化的法则，为神经网络的学习功能开发进行了铺垫。之后生物学家Eccles通过实验证实了突触的真实分流，为神经网络研究突触的模拟功能提供了真实的模型基础以及生物学的依据[2]。随后，出现了能够模拟行为以及条件反射的处理机和自适应线性网络模型，提高了人工神经网络的速度和精准度。这一系列研究成果的出现为人工神经网络的形成和发展提供了可能。
2.2 低谷时期
在人工神经网络形成的初期，人们只是热衷于对它的研究，却对其自身的局限进行了忽视。Minskyh和Papert通过多年对神经网络的研究，在1969年对之前所取得的研究成果提出了质疑，认为当前研究出的神经网络只合适处理比较简单的线性问题，对于非线性问题以及多层网络问题却无法解决。由于他们的质疑，使神经网络的发展进入了低谷时期，但是在这一时期，专家和学者也并没有停止对神经网络的研究，针对他们的质疑也得出一些相应的研究成果。
2.3 复兴时期
美国的物理学家Hopfield在1982年提出了新的神经网络模型，并通过实验证明在满足一定的条件时，神经网络是能够达到稳定的状态的。通过他的研究和带动，众多专家学者又重新开始了对人工神经网络方面的研究，推动了神经网络的再一次发展[3]。经过专家学者的不断努力，提出了各种不同的人工神经网络的模型，神经网络理论研究不断深化，新的理论和方法层出不穷，使神经网络的研究和应用进入了一个崭新的时期。
2.4 稳步发展时期
随着人工神经网络研究在世界范围内的再次兴起，我国也迎来了相关理论研究的热潮，在人工神经网络和计算机技术方面取得了突破性的进展。到20世纪90年代时，国内对于神经网络领域的研究得到了进一步的完善和发展，而且能够利用神经网络对非线性的系统控制问题进行解决，研究成果显著。随着各类人工神经网络的相关刊物的创建和相关学术会议的召开，我国人工神经网络的研究和应用条件逐步改善，得到了国际的.关注。
随着人工神经网络的稳步发展，逐渐建立了光学神经网络系统，利用光学的强大功能，提高了人工神经网络的学习能力和自适应能力。对非线性动态系统的控制问题，采取有效措施，提高超平面的光滑性，对其精度进行改进。之后有专家提出了关于人工神经网络的抽取算法，虽然保证了精度，但也加大了消耗，在一定程度上降低了神经网络的效率，因此在此基础上又提出了改进算法FERNN。混沌神经网络的发展也得到了相应的进步，提高了神经网络的泛化能力。
篇5：人工神经网络定义论文
摘 要
人工神经网络是近年来迅猛发展的前沿课题，它对突破现有科学技术的瓶颈起到重大的作用。本文剖析了人工神经网络的特征、模型结构以及未来的发展趋势。
【关键词】人工神经网络 神经元 矩阵
篇6：人工神经网络定义论文
人工神经网络(ANN)是一种用计算机网络系统模拟生物神经网络的智能神经系统，它是在现代神经生物学研究成果的基础上发展起来的，模拟人脑信息处理机制的一种网络系统，它不但具有处理数值数据的计算能力，而且还具有处理知识的学习、联想和记忆能力。
人工神经网络模拟了大脑神经元的组织方式，反映了人脑的一些基本功能，为研究人工智能开辟了新的途径。它具有以下基本特征：
1.1 并行分布性
因为人工神经网络中的神经元排列并不是杂乱无章的，往往是以一种有规律的序列排列，这种结构非常适合并行计算。同时如果将每一个神经元看作是一个基本的处理单元，则整个系统可以是一个分布式处理系统，使得计算快速。
1.2 可学习性和自适应性
一个相对很小的人工神经网络可存储大量的专家知识，并能根据学习算法，或利用指导系统模拟现实环境(称为有教师学习)，或对输入进行自适应学习(称为无教师学习)，可以处理不确定或不知道的事情，不断主动学习，不断完善知识的'存储。
(3)鲁棒性和容错性
由于采用大量的神经元及其相互连接，具有联想映射与联想记忆能力，容错性保证网络将不完整的、畸变的输入样本恢复成完整的原型，鲁棒性使得网络中的神经元或突触遭到破坏时网络仍然具有学习和记忆能力，不会对整体系统带来严重的影响。
1.3 泛化能力
人工神经网络是大规模的非线性系统，提供了系统协同和自组织的潜力，它能充分逼近任意复杂的非线性关系。如果输入发生较小变化，则输出能够保持相当小的差距。
1.4 信息综合能力
任何知识规则都可以通过对范例的学习存储于同一个神经网络的各连接权值中，能同时处理定量和定性的信息，适用于处理复杂非线性和不确定对象。
篇7：人工神经网络定义论文
神经网络是在对人脑思维方式研究的基础上，将其抽象模拟反映人脑基本功能的一种并行处理连接网络。神经元是神经网络的基本处理单元。
在神经网络的发展过程中，从不同角度对神经网络进行了不同层次的描述和模拟，提出了各种各样的神经网络模型，其中最具有代表性的神经网络模型有：感知器、线性神经网络、BP网络、自组织网络、径向基函数网络、反馈神经网络等等。
3 神经元矩阵
神经元矩阵是神经网络模型的一种新构想，是专门为神经网络打造的一个矩阵，它符合神经元的一切特征。
神经元矩阵采用矩阵形式，它可为n维向量组成。引入向量触头和信使粒的概念，向量触头可生长，即长度可变，方向可变，信使粒可“游荡”在矩阵中，建立各种联系。如图1即是神经元矩阵模型
(1)容器可产生一种无形的约束力，使系统得以形成，容器不是全封闭的，从而保证系统与外界的沟通和交互;各向量间可用相互作用的力来联系，而各个信使粒则受控于容器、中空向量以及其它的信使粒。各神经元之间自主交互，神经元矩阵是一种多层次的管理，即一层管理一层。系统具有明显的层级制和分块制，每层每块均独立且协同工作，即每层每块均含组织和自组织因素。
(2)向量触头是中空的，信使粒可以通过向量或存储于向量中，所以又称为中空向量。向量存储了信使粒后，可以吸引更多的信使粒在附近，或使邻近向量转向、伸长，进而形成相对稳定的信息通路。
(3)当两条或更多的信息通路汇集时，可能伴随着通路的增强、合并，以及信使粒的聚集、交换，这是神经元矩阵运算的一种主要形式。通路的形成过程，也就是是神经元矩阵分块、分层、形成联接的过程，也为矩阵系统宏观管理、层级控制的实现奠定了基础。
神经元矩阵亦是一种具有生物网络特征的数学模型，综合了数学上矩阵和向量等重要概念，是一种立体的矩阵结构。尤其是将矩阵的分块特性和向量的指向特征结合起来，更好的体现了神经网络的整体性和单元独立性，系统的组织和自组织特征也更为凸显。信使粒以“点”的数学概念，增强了系统的信息特征，尤其是增强了矩阵的存储和运算功能。
篇8：人工神经网络定义论文
人工神经网络是边缘性交叉科学，它涉及计算机、人工智能、自动化、生理学等多个学科领域，研究它的发展具有非常重要意义。针对神经网络的社会需求以及存在的问题，今后神经网络的研究趋势主要侧重以下几个方面。
4.1 增强对智能和机器关系问题的认识
人脑是一个结构异常复杂的信息系统，我们所知道的唯一智能系统，随着信息论、控制论、计算机科学、生命科学的发展，人们越来越惊异于大脑的奇妙。对人脑智能化实现的研究，是神经网络研究今后的需要增强的地发展方向。
4.2 发展神经计算和进化计算的理论及应用
利用神经科学理论的研究成果，用数理方法探索智能水平更高的人工神经网络模型，深入研究网络的算法和性能，使离散符号计算、神经计算和进化计算相互促进，开发新的网络数理理论。
4.3 扩大神经元芯片和神经网络结构的作用
神经网络结构体现了结构和算法的统一，是硬件和软件的混合体，神经元矩阵即是如此。人工神经网络既可以用传统计算机来模拟，也可以用集成电路芯片组成神经计算机，甚至还可以生物芯片方式实现，因此研制电子神经网络计算机潜力巨大。如何让传统的计算机、人工智能技术和神经网络计算机相融合也是前沿课题，具有十分诱人的前景。
4.4 促进信息科学和生命科学的相互融合
信息科学与生命科学的相互交叉、相互促进、相互渗透是现代科学的一个显著特点。神经网络与各种智能处理方法有机结合具有很大的发展前景，如与专家系统、模糊逻辑、遗传算法、小波分析等相结合，取长补短，可以获得更好的应用效果。
参考文献
[1]钟珞.饶文碧.邹承明著.人工神经网络及其融合应用技术.科学出版社.
篇9：浅谈BP人工神经网络
浅谈BP人工神经网络
人工神经网络有很多模型,但是目前应用最广泛的、基本思想最直观、最客易理解的.是前馈神经网络中的误差逆传播学习算(Error Back Propagation),简称为BP神经网络.它是前馈神经网络中的核心部分,也是最精华的部分.
作 者：柴燕茹 马岩 作者单位：哈尔滨商业大学,管理学院,哈尔滨,150028 刊 名：学理论 英文刊名：THEORY LEARNING 年，卷(期)： “”(22) 分类号：Q983 关键词：神经元 神经网络 局限性篇10：环境科学人工神经网络运用论文
环境科学人工神经网络运用论文
1ANN概述
1.1ANN的概念
神经网络是由大量互连的神经元构成的网络，而ANN则是利用工程技术手段模拟人脑神经网络结构和功能，由简单神经元所构成的非线性动力学系统。
1.2ANN的特征
ANN在模拟人脑，实现智能神经网络信息处理时具有6项特征。
1.2.1分布式存储信息
在ANN中，信息(知识)的存储是按内容分布于大量神经元中，而且，每个神经元实际上存储着多种不同信息的部分内容。
1.2.2高强的容错性
在ANN中，由于存在并行处理机制和冗余结构特性，一定比例的神经元(结点)不参与运算，对整个系统的性能不会产生重大的影响，由此，表现出高强的容错能力。
1.2.3并行处理信息
在ANN中，大量的神经元可以同时对信息进行同样的处理，而且是大规模地对信息平行处理。
1.2.4信息存储和处理合二为一
在ANN中，每个神经元都兼有存储信息和处理信息的功能。
1.2.5自学习性
ANN可以对信息自行组织，自行学习，自行适应。经过适应训练的神经网络具有潜在的自适应模式匹配功能，能对所学习的信息加以分布式存储或泛化。
1.2.6非线性映射逼近能力
任意的连续非线性函数映射关系都可由某种多层神经网络以任意精度加以逼近。这种组成单元简单、结构有序的模型是非线性系统建模的有效框架模型。
1.3ANN的基本结构
ANN作为一个独立系统，在运行时从外界环境接受信息(输入层)，经过加工处理后，再将结果输出到外界环境中去(输出层)。在信息处理过程中，各神经元间的连接并非是简单的信号传送通道，而是可以按神经元之间的连接强度系数(权值)，对信号作放大或缩小处理。在大多数ANN中，这种连接强度系数是一个参变量，其改变方式由ANN的学习规则(算法)决定。由此可见，ANN的结构由神经元、连接模式和学习规则3个基本要素构成。应用最广泛的BP网络在输入层与输出层之间增加了隐含层(简称隐层)，其中，隐层的层数及结点数量视具体情况而定。
1.4ANN的类型
迄今为止，设计出的ANN模型类型达到40种以上。
2ANN在环境科学中的应用
ANN在环境科学中的应用主要包括环境质量评价和环境系统因素预测两大领域。
2.1环境质量评价
环境质量评价在本质上属于模式识别，这正是ANN的特长所在。对某区域的环境质量的综合评价一般涉及到较多的评价因素，而且，各因素与区域环境的整体质量关系复杂。近年来，会国内学者在这方面有较多的报道。例如:白润才等选择废水、废气、废渣、SO2、TSP和居民区昼噪音6项指标作为评定指标，把城市环境质量等级标准分为3级，建立BP网络模型对重庆、雅安、西昌等6个城市的环境质量进行评定，其结果与传统的灰色关联法完全一致，且具有不需预处理、精度高等优点。王李管等采用国家有关环境质量标准的有关指标，建立了BP网络模型，对两个城市的大气质量和水质进行环境评价，其结果与模糊数学法和灰色聚类法的结果完全一致。汤丽妮等选取年均降水量、森林覆盖率、土壤生产力和生物多样性4项正向指标，灾害发生率、水土流失、土壤侵蚀度、干燥度、草场退化率、森林砍伐率、坡度、坡度开垦率和降水分配率9项负向指标，根据区域综合自然地理状况和环境特点，将生态环境质量分为4级，应用创建的生态环境质量评价BP网络模型对某区域的生态环境质量进行评价，其结果与环境质量实况相符。
2.2环境系统因素预测
由于环境系统的因素多种多样，各因素间的关系复杂以及系统演化的不确定性特别强，因而，如何对环境系统内部关键因素与系统状态关系进行模拟，预报各自的演化趋势一直是学者们关注的重点。鉴于ANN对复杂系统非线性特征具有很强的捕捉能力，近年来，已有颇多的用于环境系统因素预测方面的研究报告。例如:石纯等针对复杂系统的非线性特征，以上海市和崇明县为实例，建立了沿海区域环境复杂系统预测的BP网络模型，取得了较好的预测结果，为可持续发展复杂系统的预测研究探索了一种新的可能方法。王瑛等利用1981～1992年14项环境经济数据建立了BP网络模型，对环境指标进行了预测。并指出:当外界环境和系统本身性质发生剧烈变化时，BP网络能提供一种有效的方法来更新模型，实现新旧模型之间的'转换。蔡煜东等运用三维Kohonen自组织ANN模型分析预测了黄土高原生态经济破坏程度，预测成功率达到100%。李祚泳等建立了应用于环境污染物浓度预测的BP网络模型，并通过一个大气污染物SO2浓度的预测实例，证实ANN用于环境污染物预测的可行性和客观性。翟宜峰等采用具有高度非线性识别能力的ANN与遗传算法相结合的方法，建立了一个智能预报模型。经检验结果表明，该方法能够较好地识别多泥沙洪水的演进规律，合理预报水位、流量和含沙量。
3ANN在水环境质量评价中的应用
3.1地面水环境质量
关于地面水环境质量，根据水域使用目的和保护目标，《国家地面水环境质量标准》(GB3838－88)将其划分为五类。划分方法是在满足基本要求的情况下，制定了30项评价指标，如总磷含量、溶解氧、CODCr、BOD5等，由此来确定水体的类别。但在实际操作过程中往往出现这样的情况，即按某些指标应划分到这个类别，而按另外一些指标却划分到另一个类别的相互矛盾的情况，从而给确定该水域环境质量类别带来困难。张文艺根据ANN具有自学习和自适应能力，最适于处理在已知条件和结果之间无明确关系的数据的特点，建立了BP网络模型。对水环境质量评价的结果表明，该方法具有评价结果客观、准确、可靠的优点。李祚泳、邬红娟等的研究也表明BP网络模型用于水环境质量评价具有客观性和实用性。刘国东等在比较了BP网络与Hopfield网络在水环境质量综合评价中的性能后，将Hopfield网络采用模式(图象)联想或匹配，使其既适用于定量指标的水质参数，又适用于定性指标的水质参数，从而使水环境质量评价形象化，因此更优于BP网络。李峰将各评价指标转化为“二进制”的“1”或“0”，进而将这种二进制引入BP网络。实践证实，这种新的BP网络同样适用于定量指标的水质参数，也适用于定性指标的水质参数。此外，郭宗楼等将BP网络用于湖泊富营养化程度评价，李靖建立了高原湖泊水质BP网络模型，通过实例检查结果表明，BP网络方法能准确反映水体污染程度，具有较强处理相互矛盾影响样本的能力。
3.2地下水环境质量
目前，用于地下水环境质量评价的方法主要有综合指数法、模糊综合评判法和灰色聚类法3种，但这些方法存在划分间隔过大，不能反映水质的实际情况，或出现“失真”、“失败”而无法判别，或函数设计因人而异，模式难以通用。因为地下水环境质量评价与地面水一样，属于模式识别问题。卢新卫等应用神经网络理论与方法建立了地下水环境质量评价BP网络模型，克服了传统方法的不足之处，通过对某地下水环境质量的评价，表明该方法运用简便、精确可靠、可判性强。
4ANN的局限性及发展趋势
4.1ANN的局限性
ANN尽管具有许多优点，但也有明显的局限性，主要表现在以下5个方面。
4.1.1数值运算的局限性
ANN将所有信息处理都归结为数值运算，这对于可以数值化的信息是绝对可行的，但对于一些不能用数值表达的信息，将其数值化，易歪曲原信息的内涵，得出错误的结论，甚至将信息丢失。
4.1.2隐含层的缺陷
ANN对信息的表达、存储、计算和推理都是隐式的，不能向用户解释推理依据和过程。
4.1.3学习样本的局限性
ANN模型的性能在很大程度上依赖于学习样本的数量多少和质量好坏。如学习样本太少，或样本的代表性太差，其性能就会明显减退而使结论的可靠性降低。
4.1.4模型的推广性差
目前ANN的应用，都是为某种特定的用途而开展的，其设计模型的适用范围很小，难以推广。
4.1.5硬件研究滞后
现在ANN还处于算法研究阶段，现有的微机难以完成其运算过程，而适用于ANN的硬件研究进展十分缓慢。
4.2ANN的发展趋势
近年，ANN无论在理论研究上，还是在实际应用中，都取得了突飞猛进的发展。但必须清醒地认识到，ANN只是对人脑的简单模拟，尚有许多问题有待解决。为了改善ANN的应用，解决环境科学中存在的大量不确定性和模糊性问题，可以采取以下3条途径:①ANN与专家系统相结合，实现符号处理与数值处理相结合，使知识的提取、存储、推理和解释更接近人脑;②把不同类型的ANN模型以不同形式组合在一起，构成一个新的综合性ANN系统，即“微脑”;③将模糊数学、数理逻辑、拓扑数学等结合到ANN的学习规则中，使其具有求解不确定性、模糊性和似然性推理等问题的能力。此外，研究ANN硬件芯片以提高运行速度也是有待解决的重要问题。随着大规模集成电路VLSI、光学与分子器件的发展、人工神经计算机的研制，ANN必将会得到越来越广泛的应用和迅猛发展。
篇11：神经网络经典论文
神经网络经典论文
摘要：软件需求分析不仅仅是为了让开发者满足用户要求，而且还可以帮助用户了解软件的性能和功能，具有一举两得的效果，但是如果软件需求不符合实际需求，就会出现风险，导致返工。在BP神经网络的基础上，我们建立了软件需求分析风险评估模型，以减少软件开发的失败率，规避因软件需求分析失误而带来的实际存在的或潜在的风险。
关键词：风险；软件需求；BP神经网络；研究；分析
软件开发过程中，需求分析是一个关键性的阶段。导致它失败的原因有很多，例如开发者和用户之间的沟通障碍、软件本身的隐含性、需求信息的不对称等等。这些问题导致的返工，增加了开发的成本，也损坏了企业形象，更可能流失掉部分用户。因此，我们必须对软件需求分析进行风险评估管理，把负面影响降到最低。现代商业发展中，各企业和企业之间的竞争日趋激烈,掌握最新的技术，对技术进行创新，才是企业在行业内立足脚跟，获得更加长远发展的方法，因此要想牢牢地把握企业的运命就需要我们保持对技术创新的热情，并在这条道路上乐此不疲。21世纪，只有掌握了最新和最具有创造性的技术，才能赢的最后的胜利，本文把BP网络与软件需求分析风险评估模型相结合，具有十分重要的意义。
1BP神经网络
BP神经网络是开发者使用最多的神经网络之一，它具有算法简单、极强的鲁棒性、收敛速度极快等优点。最重要的一点是能够最大限度的接近其真实系统，非常适合于线性的、不确定的、模糊的软件风险数据。BP算法是一种用于前向多层神经网络的的反传学习算法。采用BP算法的数层感知器神经网络模型，它的基本思想是，学习过程由信号的正向传播和误差的反向传播两个过程组成。模糊理论采用模糊数学的方法，通过抽象思维，对处于多种因素作用下的事物做出总体评价。它的两大主要特征是：第一，结果清晰；第二，系统性强，这非常适合于各种非确定性问题的解决。
2软件需求分析风险评估模型
开发过程中，了解软件需求是很重要的。软件开发主要是依据需求的不同而设计出的产品。它包括了业务需求（组织和客户高层次的目标）、用户需求（用户要求必须具备的需求）、功能需求（用户可以通过完成任务满足业务需求的产品中必须体现的软件功能）。各种不同的需求都以不同的角度来呈现，需要进行多方位的分析方可得出准确的结论。软件需求分析就是对用户所需软件应具备的属性进行分析，满足用户的真正需求。在完成软件需求分析后，我们要能得出用户所需的软件系统要能够做到哪些功能，对此还要有详细准确的说明书，也就是用户的使用说明书，让他们更快的了解产品。优秀的需求具有以下特点：完整性、准确性、可行性、必要性、无歧义性和可行性。软件需求分析风险是指由于多方面的影响，如用户参与度、用户需求的拓展变化、多角度的考虑、设计的精准度和用户与开发者的充分沟通等等，而造成需求分析的不准确使得用户的软件需求得不到满足。该风险评估模型主要是为了降低软件需求分析中存在的风险，从而使得评估需求分析更具加有效和更易操作。
3一种基于BP神经网络的软件需求分析风险评估模型
本文把BP神经网络和模糊理论加入到软件需求分析风险评估模型中，利用BP神经网络的非线性映射属性和模糊理论的超强表达能力与被理解力，帮助提高风险评估的有效性和预测性。软件需求分析风险的评估模型包括风险识别、风险分析、风险评估三个模块。风险识别的主要目的是考察研究软件需求分析阶段具体的情况，识别并记录该阶段存在的或潜在的风险，输入来源是专家的经验分析和历史风险数据库。
一般步骤包括：
a:找出软件需求分析风险指标；
b:搜索历史数据库，列出存在的数据库中的历史案例；
c:通过专家分析，列出具有风险等级的列表；
d:将确定了的风险列表提交数据库并更新。风险分析是细化第一阶段的风险，分析其产生的影响和等级，找出各指标与风险级别之间的线性关系亦或非线性关系。本文引入BP神经网络和模糊理论，利用BP神经网络实现风险评估指标和风险级别之间的非线性映射关系，还利用模糊理论的超强表达能力和容易理解的属性，提高整个风险评估模型的学习能力和表达能力，得出更符合实际的评估报告。
主要的方法包括：
a:揭示原因和结果之间的联系，追根溯源；
b:建立模型进行认识和理解；
C:通过尝试各种组合找出导致失败的因素。风险评估需最后明确所有存在的风险和它们的等级，给予开发者一个详细的报告。本阶段只要利用BP神经网络的`输入层、输出层、隐含层数、隐含层节点数。输入层节点是经过模糊预处理的17个需求分析风险评估指标；输出层节点是需求分析风险等级；隐含层数越多性能越高误差越低；隐含节点越多，网络功能越强大，但是过多则会使网络功能减弱。
在BP神经网络基础上，建立的软件需求分析风险评估模型，它操作的流程大致是三个方向。首先，识别软件需求分析阶段存在的、潜在的风险；然后，利用BP神经网络和模糊理论的特有属性、众多优点进行分析，通过历史数据库，专家知识、专家讨论，列出风险表格；最后，对风险进行最后的评估，从而有效预测软件开发过程中所遇到的风险，并且进行规避。
4结束语
随着经济的高速发展，网络软件也成为人们工作生活中一个非常重要的工具。软件需求的增多带来了很多的问题，软件开发的过程充满了阻碍，软件需求的满意度也在日渐降低。因此，提高软件开发的速度、保证开发软件的质量，降低风险、减少开发成本、满足用户真正的需求等等，对软件需求分析风险进行评估，建立软件需求分析风险评估模型，是一件非常值得研究和实施的事情。本文研究的内容不仅仅达到了需求分析的目的，提出了新的思维方式和参考方向，而且还能更有效的预测软件需求分析风险，真正满足用户的软件需求。基金项目：吉林省教育厅“十二五”科学技术研究项目“基于AHP和群决策向量分析高校干部综合测评方法和系统实现”（吉教科合字第2013402号）；吉林省教育科学“十二五”规划课题“构建以学习者为主体的远程教育支持服务体系的研究”。
参考文献：
[1]李华,曹晓龙,成江荣.BP神经网络在软件项目风险评估中的应用[J].计算机仿真,2011,28(07):374-378.
文档为doc格式
