环境科学人工神经网络运用论文
人工神经网络在环境科学中的应用
Ａ Ｎ方法以自身 的优势弥补 了经典数值算法的不 Ｎ 足， 实际应用已充分显示 ， Ｎ Ａ Ｎ可 以成功地解决 复 杂环境系统非线性关系模拟的众多 问题 ， 其精确性 大 大 优 于 常 规 方 法．因 此 ，Ｏ世 纪 ９ ２ Ｏ年 代 以 来 ， ＡＮＮ 已在 环 境 科 学 与 工 程 的 环 境 质 量 评 价 与 预 测、 大气颗粒物源解析 、 监测点 的优化布置等方面获 得 了广泛 的应 用．
关键词：人工神经 网络 ； 境科 学 ； 环 预测
中 图 分 类 号 ： ３ Ｘ２ 文献标识 码 ： Ａ 文 章 编 号 ：Ｇ） ７ ６ （Ｏ ７ Ｏ —０ ００ （ Ｏ Ｏ Ｏ ２ Ｏ ） １０ ５ －３
人工 神 经 网 络 （ ｔｉａ Ｎｅｒｌ ｔ ｒｓ简 Ａｒｆ ｉｌ ｕａ ｗｏｋ ， ｉｃ Ｎｅ 称 ＡＮＮ） 源 于 ２ 世 纪 ４ 起 Ｏ Ｏ年代 ， 今发 展 已半 个 至 多世 纪 ， 它是 一 种数据 开采 技术 ， 一种 数据 挖掘 工 是
１ Ａ ＮＮ在 环 境质 量评 价 领域 的应 甩
网络） 自 、 组织映射网络（ Ｏ 网络） 其 中 Ｂ ＳＭ 等， Ｐ网
络 在实 际应 用 中最 为 广泛 ．
神经 网络是 由大量 的、 简单 的处理单元（ 称为神
经元 ） 泛 的互相 连接 而形 成 的复杂 网络 系统 ， 广 它反 映 了人脑 功 能的许 多 基 本 特 征 ， 一 个 高 度 复 杂 的 是
别适合处理需要 同时考虑许多因素和条件 的、 不精 确和模糊的信息处理问题． 它不使用显式的方程来 确定模型 ， 其建模过程更注重于手边的数据 ， 从数据 本身找出规律性 的、 基于特定问题的解． 另外 ， 它还 允许随着数据的输 入持续地创建模型 ， 尤其适用于
人工神经网络在大气环境质量评价中的应用
（． １国防科技工业 自然环境试验研究中心 ， 重庆 ４０ ３ ； ． ００ ９ ２ 重庆通信学院计算机应用中心 ， 重庆 ４０ ３ ） ０ ０５
摘要 ： 对 大 气环境 中的数 据 监测 与模 式识 别 问题 ， 用人 工神 经 网络理 论 ， 自然环 境 大 气腐蚀 试 验 针 应 பைடு நூலகம் 网站建 立大 气环境 质 量 Ｂ Ｐ网络评 价模 型 。江津 试验 站 成 功 地 应 用 了该 模 型 。通 过 １９ — ９ ６—２ ０ ０ ０年 大 气环
ｕ ｔｏ ａ ｉｎ．
Ｋｅ ｒ ｓ：ａｔｆ ｉｌｎ ｕ ａ ｅ ｗ ｒ ｙ ｗｏ ｄ ｒ ｉ ａ ｅ ｒｌｎ ｔ ｏ ｋ；ａ ｍｏ ｐ ｅ ｉ ｅ ｖ ｒ ｎ ｎ ；ｅ ｖ ｒｎ ｎ ａ ｖ ｌ ａ ｉｎ；Ｂ Ｐ ａｇ ｒ ｈ ｉｃ ｔ ｓ ｈ ｒ ｎ ｉｏ ｍｅ ｔ ｎ ｉ ｍｅ ｔ ｌｅ ａ ｕ ｔ ｃ ｏ ｏ — ｌ ｏｉ ｍ ｔ
维普资讯
装 备 环 境 工 程
・
８ ・ ２
Ｅ ＵＰ Ｅ Ｔ Ｎ ＩＯ Ｍ Ｎ Ａ Ｅ ＧＮ Ｅ ＩＧ Ｑ Ｉ Ｎ Ｅ ＶＲ Ｎ Ｅ Ｔ Ｌ Ｎ ＩＥ ＲＮ Ｍ
第３ 卷 第５ 期 ２０ 年 １ 月 ０６ ０
人 工神 经 网络在 大气 环 境 质 量 评 价 中 的应 用
近１ ０年来 ， 内外学 者根 据不 同 的大气环 境 污 国 染状 况 ， 提出 了不 同 的大 气 环境 质 量 评 价 的数 学 模 式 ｕ 。由于大 气 环 境 质 量 评 价 实 质 上 是 根 据 各 评 』 价 指标 的大气 环境 分 级 标 准 ， 被 评 价 的环 境 对 象 将 的各项 指标 的监测 数 据与各 级标 准进行 比较 、 别 ， 辨 看 它与 哪级标 准最 靠 近 ， 因此 大 气 环 境评 价 属 于 模
人工神经网络论文
人工神经网络论文人工神经网络及其应用1. 人工神经网络发展前景人工神经网络(Artificial Neural Networks～NN)是由大量的、简单的处理单元(称为神经元)广泛地互相连接而形成的复杂网络系统，它反映了人脑功能的许多基本特征，是一个高度复杂的非线性动力学系统。
神经网络具有大规模并行、分布式存储和处理、自组织、自适应和自学习能力，特别适合处理需要同时考虑许多因素和条件的、不精确和模糊的信息处理问题。
神经网络的发展与神经科学、数理科学、认知科学、计算机科学、人工智能、信息科学、控制论、机器人学、微电子学、心理学、微电子学、心理学、光计算、分子生物学等有关，是一门新兴的边缘交叉学科。
神经网络具有非线性自适应的信息处理能力，克服了传统人工智能方法对于直觉的缺陷，因而在神经专[2]家系统、模式识别、智能控制、组合优化、预测等领域得到成功应用。
神经网络与其他传统方法相组合，将推动人工智能和信息处理技术不断发展。
近年来，神经网络在模拟人类认知的道路上更加深入发展，并与模糊系统、遗传算法、进化机制等组合，形成计算智能，成为人工智能的一个重要方向。
1.1 人工神经网络的研究背景和意义人工神经网络是由具有适应性的简单单元组成的广泛并行互连的网络，它的组织能够模拟生物神经系统[5]对真实世界物体所作出的交互反应。
人工神经网络就是模拟人思维的一种方式，是一个非线性动力学系统，其特色在于信息的分布式存储和并行协同处理。
虽然单个神经元的结构极其简单，功能有限，但大量神经元构成的网络系统所能实现的行为却是极其丰富多彩的。
近年来通过对人工神经网络的研究，可以看出神经网络的研究目的和意义有以下三点:(1)通过揭示物理平面与认知平面之间的映射，了解它们相互联系和相互作用的机理，从而揭示思维的本质，探索智能的本源。
(2)争取构造出尽可能与人脑具有相似功能的计算机，即神经网络计算机。
(3)研究仿照脑神经系统的人工神经网络，将在模式识别、组合优化和决策判断等方面取得传统计算机所难以达到的效果。
神经网络论文
人工智能专题报告题目模式识别及人工神经网络概述姓名专业学号学院电脑科学与技术学院内容摘要：模式识别是一项极具研究价值的课题，随着神经网络和模糊逻辑技术的发展，人们对这一问题的研究又采用了许多新的方法和手段，也使得这一古老的课题焕发出新的生命力.目前国际上有相当多的学者在研究这一课题，它包括了模式识别领域中所有典型的问题:数据的采集、处理及选择、输入样本表达的选择、模式识别分类器的选择以及用样本集对识别器的有指导的训练。
人工神经网络为数字识别提供了新的手段。
正是神经网络所具有的这种自组织自学习能力、推广能力、非线性和运算高度并行的能力使得模式识别成为目前神经网络最为成功的应用领域。
关键词：模式识别，神经网络，人工智能，原理，应用Abstract：Pattern recognition is an extremely valuable project research, with neural network and fuzzy logic technology development, people on this subject, and adopted many new methods and means, also make the ancient subject coruscate gives new vitality. Current international has quite a number of scholars in the study of this topic, and it includes pattern recognition field of typical problems: the data acquisition, processing and selection, input data express choice, the choice of mode identification classifier and using samples of the reader has guidance training. Artificial neural network for digital recognition to provide a new way. It is neural network which has this kind of self-organization self-learning capability, generalization, nonlinear and computing highly parallel ability makes the pattern recognition become the neural network was the most successful application fields.引言具体的模式识别是多种多样的，如果从识别的基本方法上划分，传统的模式识别大体分为统计模式识别和句法模式识别，在识别系统中引入神经网络是一种近年来发展起来的新的模式识别方法。
人工神经网络论文2
人工神经网络学院：信息与通信工程学院班级：自动化班***名：***学号：***********摘要人工神经网络是对人脑功能的某些程度的反映，具有自适应和自学习的能力，可通过对模式样本的自学习，从中获取特征，并能将学习获得的知识应用到图像、文字等识别中。
本文对人工神经网络做了简要的概述，重点讲述了两种应用最广泛的神经网络模型：BP神经网络和Hopfield 神经网络。
对BP神经网络作了详细的介绍，重点在于三层BP网络的学习。
Hopfield神经网络应用非常广泛，本文用Hopfield神经网络进行英文字母识别。
关键词人工神经网络，BP神经网络，三层BP网络， Hopfield神经网络，模式识别AbstractArtificial neural network is to the brain function, some degree of reflect with adaptive and self-learning ability, but through the study of pattern samples from, obtain characteristics, and can be applied to study the knowledge obtained recognition of images and text.Based on artificial neural network did briefly, focused on the two kinds of the most widely used neural network model: BP neural network and Hopfield neural networks.On BP neural network is analyzed in detail, the emphasis is on three layers of BP neural network learning.Hopfield neural network is used extensively, this article with the Hopfield neural network for English letters recognition.Keywords artificial neural network, the BP neural network, and the third floor Hopfield neural network BP network, pattern recognition一绪论1.1人工神经网络的定义和应用人工神经网络（artificial neural network,ANN)是一个用大量简单处理单元经广泛链接而组成的人工网络，是对人脑或生物神经网络若干基本特性的抽象和模拟。
BP人工神经网络模型在城市空气污染预报中的应用
目前 城市 空气 污染 预 报 主要有 三种 基 本方 法 ， 即潜 势 预报 、 统计 预报 和数 值 预报 。潜 势预 报采 用 的基 本方 法是 根 据 已发 生 的 污染 事 件 归 纳 总 结 出 发生 污染 事件 时所 特 有 的气象 条 件 、 天 气形 势 和气 象指 标 ； 统计 预报 是通 过分 析发 展 规律来 进 行预 测 的一 种方 法 ， 对特 定 区域 ， 在 多年 气 象 与 污 染 物 浓
人工智能在环境科学中的应用
人工智能在环境科学中的应用近年来，人工智能技术逐渐成为了环境科学中不可或缺的一部分。
人工智能与环境科学的结合，不仅简化了环境数据处理和分析的流程，还帮助了人们更好地认识和研究环境问题。
本文将会从以下三个方面介绍人工智能在环境科学中的应用。
1. 环境监测环境监测是保障环境质量的重要手段之一。
人工智能技术可以在环境监测领域中发挥重要作用。
一方面，可以利用无人机等技术获取更大范围的环境数据，并通过人工智能算法对数据进行处理。
比如，神经网络可以根据前期的环境数据模型对后续的数据进行预测，从而了解环境状况，并进行提前预警。
另一方面，可以使用智能传感器技术，用智能化的仪器设备自动监测环境数据，从而彻底解决人工监测所带来的“人力”成本问题。
2. 环境工程环境工程领域也是人工智能得到广泛应用的领域之一。
由于环境工程的特点是景观复杂、污染源多种多样，因此人工处理难以保证数据处理的准确性和实时性。
而人工智能可以通过深度学习等技术，将复杂的环境工程数据进行有效地解释和处理。
比如，可以使用最优调度算法，提高了环境工程实施的效率。
同时，人工智能技术还可以用于模拟实验环境，避免了实验过程中产生的费用和不利影响。
3. 环境治理环境治理是人类应对重大环境问题的重要措施，也是人工智能技术得到应用的一个重要领域。
现代社会中，空气、水和土壤等多个方面出现了污染现象。
人工智能技术可以通过数据分析来识别污染源，并与相关部门合作实现环境治理。
例如，有关部门可以在某地区安装空气质量检测仪器，运用人工智能技术比较各种因素，从而判断污染排放源，并针对其进行治理。
总体而言，人工智能技术与环境科学结合，对环境保护和治理都具有重要意义。
未来，人工智能将会在环境科学中发挥越来越重要的作用，如加强环境监测、提高环境效益、改善环境质量等。
尤其是在人类将来面临更严峻环境问题情况下，人工智能在环境科学中发挥的作用将会更加突出。
基于人工神经网络的突发环境事故应急系统
（ ｏ ｅｅｆＥ ｖ ｏｍ ｎ ｉ ｃ ＆ Ｅ ｇｎｅ ｎ ｏ￣ｉ ｎｖｒｔ， ｈ ｎｈ ｉ ００ ２ ｈｎ ） Ｃ ｌｇ ｎｉ ｎ ｅｔ ｃ ｎｅ ｌ ｏ ｒ ｓｅ ｎ ｉ ｒ ｇｏ ｎ ｉ ｓｙ Ｓａ ｇ ａ ０ ９ 。Ｃ ｉ ｅ ｉ ｆＴ Ｕ ｅｉ ２ ａ
Ａｂｓｒ ｃ ： Ｓ ｅ ｅ ｏ ｅｅ ｖｒｎ ｎａ ｃ ｉｅ ｔｉ ｃ ａａ ｔｒ ｅ ｙ ｕｇｎ ｉ ａ ｏ ｎ ｉｉｕｔ ｓｉ ｃ ｅ ｓｔ ｎｏｍａｉｎ ｔ ａ ｔ ｃ ｎ ｆｔ ｎ ｉｏ ｍｅ ｔｌａ ｃｄ ｎ ｓ ｈ ｒｃｅｉ ｄ ｂ ｒｅ ｔｓｔ ｔ ｎ ａ ｄ ｄｆｃ ｌｉ ｎ ａｃ ｓ ｏ ｉｆｒ ｔ ． ｈ ｚ ｕｉ ｅ ｏ
ｄ ｃｓｏ ｆｔｅ ｅ ｒｅ ｃ ｏ ｅ ｉ ｎ ｏ ｍ ｇ ｎ ｙ ｃ ｍｍａ ｄ ａ ｄ ｄｓ ａ ｈ ｉ ｈ ｅ ｎ ｎ ｉ ｔ ．Ｔ ｅ ｋ ｙ ｔｃ ｎ ｌｇｅ ｎ ｌ ｄ ｈ ｐ ｒ ａ ｈ ｔ ｕｌ ｉｇ ｅ ｖｒ ｎ ｅ ｔ ｍｅ ｎ ｙ ｐ ｃ ｈ ｅ ｅ ｈ ｏｏ ｉｓ ｉ ｃｕ ｅ ｔ ｅ ａ ｐ ｏ ｃ ｏ ｂ ｉ ｎ ｎ ｉ ｍ ｎ ａ ｅ ￣ｅ ｅ ｄ ｏ ｌ ｎ ｕ ａ ｅｗｏｋ ，ｔｅ ｄ ｇ ｔ ｔｏ ｓ ｏ ａ ｅ ｉｆ ｒ ｔ ｎ ａ ｄ ｅ ｒ ｅ ｃ ａ ｕ￣ ，ｄ ｃｓｏ － ｋｎ ｏ ｍａｉ ｎ ｔａ ｓａ ｏ ，ａ ｄ ｅ ｒ ｌｎ ｔ ｒ ｓ ｈ ｉｉ ｍｅｈ ｄ ｆｃ ｓ ｎｏ ｍａｉ ｎ ｍｅ ｇ ｎ ｙ ｍｅ ／ ｓ ｅ ｉ ｎ ｍａ ｉ ｇ ｉ ｒ ｔ ｒｎ ｌ ｔ ｎ ｎ ｌ ａ ｏ ｓ ｉ ｆ ｎ ｏ ｉ
关键技 术 包 突发环境事故神 经 网络构建方法 ，事故信 息与应 急措施 的数字化方 法，决策信息的翻译表 示 ，事故影 响 括
因素的权 重分析 。最后 阐述 了系统现 场运行和 工作 的流程 。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
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2000年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。