本文檔的主要內容詳細介紹的是人工神經網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， 建立相應的數學模型， 通過求解最優解來得到最佳方案。由于數學模型有較強的條件限制， 導致得出的最佳方案與現實有較大誤差。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網絡工作原理， 建立能夠“學習”的模型， 并能將經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網絡（ Artificial Neural Network ）。

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

　　人工神經網絡是模仿生物神經網絡功能的一種經驗模型，首先根據輸入的信息建立神經元，通過學習規則或自組織等過程建立相應的非線性數學模型， 并不斷進行修正， 使輸出結果與實際值之間差距不斷縮小。人工神經網絡通過樣本的“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系，它能夠把問題的特征反映在神經元之間相互聯系的權值中，所以，把實際問題特征參數輸入后，神經網絡輸出端就能給出解決問題的結果。

　　神經網絡的特點是， 神經網絡將信息或知識分布儲存在大量的神經元或整個系統中。它具有全息聯想的特征， 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據。

　　基于人工神經網絡的多指標綜合評價方法通過神經網絡的自學習、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合的綜合評價模型。訓練好的神經網絡把專家的評價思想以連接權的方式賦予于網絡上， 這樣該網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。由于模型的權值是通過實例學習得到的， 這就避免了人為計取權重和相關系數的主觀影響和不確定性。

　　反向傳播（ Back Propagation， BP ）神經網絡是由Rumelhart 等人于1985 年提出，它是一種多層次反饋型網絡。基于BP人工神經網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。