专家系统是计算机应用中的一个重要领域。人们用计算机模拟人类专家解决人类活动中的实际问题,不仅效率高,成本低,更重要的是专家系统代替人们完成某些特殊环境下的工作,尤其是危险环境下的工作,为安全作业提供重要保证;同时,依托计算机技术的专家系统,从根本上解决了人类连续长期工作的疲劳失误,提高了工作质量与工作效率。人工智能技术引入专家系统,使专家系统的性能得到了明显的改善,从而,专家系统的应用更加普及。传统的专家系统,以知识库为基础,以推理机为核心,结构清晰,易于理解。这类专家系统的推理机以现实环境条件为基础,根据特定的推理策略,以知识库中的知识作为匹配基础,推导结论(中间结论),重复这样的过程,直到结论出现。这样的专家系统是基于知识库的,这样的专家系统对于经验(知识)变化快的实际应用项目,其缺点就显得比较明显,因为,知识转化为规则后,将此新规则加入系统难度较大;规则体系较庞大时,由于采用实时匹配技术,导致匹配效率低。本文研究其内在原因,发现这些问题的主要因素在于,一是推理机构与知识库分离,导致推理效率低;二知识库必须是体系完整、封闭,设计难度较大,增加与淘汰难度更大,从而使系统学习难度更大。人工神经网络(Artificial Neural Network,ANN)是模仿生物神经网络功能的一种经验模型。ANN技术引入专家系统,即:基于人工神经网络的专家系统,使专家系统的性能得到了很好的改善。基于人工神经网络的专家系统通过合理的计算,产生智能,完成推理判断,采用这种方法推理,不仅速度快,而且适应规则变化能力强,在克服传统专家系统缺点的基础上,突显其优良特性。本文用ANN技术研究地区天气预报系统,将过去的预报经验转化为ANN结构,该结构将“知识”与“推理”有机地融合,更符合大脑思维的物理机制。以此作为实例,探索ANN的具体应用方法,并用“类实际”数据(天气预报数据)做仿真实验,其结果表明:基于人工神经网络的专家系统在解决地区天气预报的应用中,推理速度快,适应变化的能力强,效果比较理想。