神经网络泛化能力是影响其可用性的重要方面,如何提高泛化能力日益受到关注。一种普遍情况是一些神经网络在训练阶段能够取得很好的训练精度,但在实际应用阶段却产生了较大的误差,这在很大程度上影响了网络的可用性。因为在实际应用中,关心的重点并不是系统对已知输入输出样本的拟合能力,而是对系统中未知输入输出的反映程度。分析和比较了当前常用的几种提高神经网络泛化能力的方法,针对这些方法的不足,从提高训练样本集的完备性出发,给出了一种基于聚类的神经网络样本自学习系统。将聚类算法思想引入该系统中,在实际使用过程中对神经网络的实际输入数据进行分析。在保证不影响系统预测实时性的前提下,通过聚类算法得到当前状况下具有代表性的数据点。分析这些有代表性的数据点得出可能的新样本点,做相关处理后构成新样本加入到样本集中,重新训练网络。通过这种方法使网络更适合于当前环境的实际情况,提高预测精度。在Visual Studio 2005开发平台上对基于聚类的神经网络样本自学习系统进行测试。以火灾危险监测作为测试案例,与未采用样本自学习方法的神经网络预测方法进行对比,从预测精度方面进行性能测试。测试结果表明,使用基于聚类的神经网络样本自学习的方案在对危险状况进行预测时,能及时对实际情况进行分析,从而提高网络泛化能力,减小预测误差。