长期以来,人们把神经网络经训练而获得的知识称为隐知识或隐规则,很难为我们理解。因此,神经网络常常被称为‘黑匣子’。多层感知器的内部行为是神经网络理论与应用研究倍受重视的一个问题。在应用中,人们不仅希望神经网络能实现从输入变量到输出变量的计算,而且还想知道它们所学到的知识的显式表示,输入与输出变量之间究竟是什么样的关系,即,希望用神经网络方法“从数据中自动得出理论”,以便进一步指导实际工作。 以前,我们曾在将隐神经元Sigmoid激励函数近似表示为线性函数的情况下,找出了多层感知器输出量与输入量的近似函数关系。该方法所得结果有一部分具有应用价值,但当应用问题具有强非线性时,所提取的知识可靠性差。在此基础上,本文吸取国际学术界新的研究成果,针对输入输出均为连续量的多层感知器应用问题,利用隐神经元激励函数分段线性的近似表示方法,提取受训神经网络的内部知识,从而得到研究问题中变量间的关系。本文开发了分段线性算法、多层感知器剪枝和内部知识提出算法的软件,并将此方法应用于企业财务预警,得到了一些具有实际应用价值的知识。 本文提出一种针对输入输出为连续的前馈神经网络,从受训的神经网络中抽取非规则形式知识的新方法。在过去我们对多层感知器(MLPs)内部行为的研究基础上,进一步以分段线性理论近似分析,以知识的形式表征所研究问题中变量间的关系,对训练好的神经网络更清晰的解释。