人工神经网络（ANN）又称神经网络，是在现代神经科学研究成果的基础上，对生物神经系统的结构和功能进行数学抽象、简化和模仿而逐步发展起来的一种新型信息处理和计算系统。

由于人工神经网络具有自学习、高容错、高度非线性描述能力等优点，现已广泛应用于经济、机器人和自动控制、军事、医疗、化学等领域［l ~ 3］，并取得了许多成果。

本文简要介绍人工神经网络的原理和特点，论述人工神经网络在高分子科学与工程领域的应用。

橡胶配方是决定橡胶制品性能的关键因素，由于材料配方与制品性能之间存在很复杂的非线性关系，多数情况下无法建立完整精确的理论模型，只能借助于回归方法得到经验公式。

传统的回归方法存在以下局限性：(1)使用不同的回9j方法可获得不同的经验公式，导致经验公式的繁多和不一致；(2)当配方项目及性能指标项目较多时，采用回归公式无法完全再现实验数据；(3)当实验进一步完善，实验数据增多的时候．其他人员再进行回归时，如果无法找到原来的回归方法、程序和实验数据，原来的回归公式将不能被利用，造成一定的浪费。

随着计箅机的发展而出现的人工神经网络是人工智能方法．它不像回归方法那样，需预先给定基本函数，而是以实验数据为基础．经过有限次的迭代计算而获得的一个反映实验数据内在联系的数学模型，具有极强的非线性处理、自组织调整、自适应学习及容错抗噪能力，特别适用于研究像材料配方与制品性能之间关系的复杂非线性系统特性【¨】。

因此，人们开始将人工神经网络应用于橡胶配方设计”J。

随着橡胶制品在各领域应用的拓展，橡胶配方设计变得越来越重要。

人们进行橡胶配方设计主要有3个目的：提高制品的性能；改善加工工艺；降低生产成本。

传统的橡胶配方设计方法有全因素设计、正交试验设计n_3]、均匀设计[4‘60等，而这些配方设计试验数据的处理方法无外乎方差分析和回归分析口]。

由于材料的配方和性能之问存在非常复杂的非线性关系，回归分析只适合于单目标优化数据处理的模型，对于不同的性能，需要建立不同的模型，因此将其应用于配方设计有一定的局限性。

近年来，发展日趋成熟的人工神经网络技术，尤其是BP神经网络凭借其结构简单、收敛速度快、预测精度高等优势越来越多地应用到橡胶配方设计试验中。

1橡胶配方设计1．1橡胶配方设计概述配方设计¨J是橡胶工业中的首要技术问题，在橡胶工业中占有重要地位。

所谓配方设计，就是根据产品的性能要求和工艺条件，通过试验、优化、鉴定，合理地选用原材料，确定各种原材料的用量配比关系。

橡胶配方人员的主要工作就是要确定一系列变量对橡胶各项性能的定量或定性影响。

变量可以是硫化剂、促进剂、填充剂、防老剂等，也可以是加工：[艺条件(如硫化温度、硫化时间等)，总之是配方人员可能控制或测得的变量。

橡胶各项基本性能包括拉伸强度、撕裂强度、硬度、定伸应力等物理机械性能，以及加工性能、光洁度、外观等。

橡胶配方设计常常是多变量的试验设计，配方设计理论和试验设计方法对于配方设计具有重要意义。

作为橡胶配方设计理论，必须具备两个基本条件【2J：一、能揭示客观存在的橡胶配方设计的一般性规律，二、能指导橡胶胶料配方设计实践。

目前，配方设计的基本理论是相关性理论，又称相关性原理。

根据表象学研究，在橡胶配方设计中存在着两类相关关系。

其一，橡胶配方组分与硫化胶及混炼胶的性能之间存在着相关关系，配方组分的品种、类型和用量对硫化胶和混炼胶的性能具有决定性影响。

其二，硫化胶的性能与性能之间也存在着相关关系，即硫化胶的某些性能对橡胶制品的使用性能具有决定性影响。

根据相关性原理，橡胶胶料配方设计可遵循如下途径进行。

首先，利用第二类相关关系，寻找并确定与制品使用性能相关的胶料性能，包括硫化胶性能和胶料工艺性能等；然后根据第一类相关关系，寻找并确定与所需胶料物理机械性能和工艺性能相关的胶料配合组分，最后完成配方试验。

试验设计是属于一般研究方法中的科学试验方法的范畴，它是由试验方法与数学方法，特别是统计方法相互交叉而形成的--i'1科学。

运用试验设计方法的目的是对试验因素作合理的、有效的安排，最大限度地减少试验误差，使之达到高效、快速、经济的目的。

从近代试验设计发展趋势来看，试验设计主要集中在模型优化试验设计、针对性强的特殊试验设计和系列性试验设计等三个方面。

橡胶配方设计中主要采用模型优化试验设计，即对少量的关键因子优良水平进一步研究因子间相互作用，探讨试验过程最优水平组合及工艺参数。

采用的试验设计方法主要有正交设计、回归设计、均匀设计等。

橡胶配方设计相关性原理的研究和试验设计理论及方法的发展，为现代橡胶配方设计、建立计算机辅助设计奠定了基础。

另一方面，橡胶材料的组分与性能之间的关系十分复杂。

只有依靠现代数理统计学和计算机技术的帮助，才能进行有效地研究。

实践证明，两者结合，是取得配方设计成功的必由之路。

1．4人工神经网络1．4．1人工神经网络简介自从20世纪80年代初以来，人工神经网络(ArtificalNeuralNetwork，简称ANN)在全世界范围内迅速地发展起来。

其中主要的原因是人工神经网络的结构和它的计算方法是在模拟人类大脑的结构和思方式的基础上建立起来的，具有极强的非线性处理、自组织处理、自适应学习和容错抗噪能力¨”。

人工神经网络[161是由大量简单的基本元件一神经元相互连接而成的自适应非线性系统，是人工智能的一个重要分支。

人工神经网络基本结构是人工神经元，它一般具有多个输入、一个输出的非线性处理单元，具有输入、处理和输出信号三个基本功能。

神经元按层次的形式组织，每层上的神经元以加权的方式与其他层上的神经元连接而构成神经网络。

与传统的信息和数据处理方法相比，人工神经网络能将分布存储的信息进行并行协同处理，是一个非线性动力学过程，因而在处理复杂的多的多维非线性问题方面具有十分明显的优势。

总的来说，人工神经网络具有以下四个特点Ⅲ】：①人工神经网络是一个广泛连接的巨型复杂系统；②人工神经网络具有并行结构和并行处理机制：③人工神经网络的分布结构使其具有和人脑1样的容错性和联想能力；④人工神经网络具有学习、自组织、自适应能力。

1．4．2人工神经网络的工作原理118．20人工神经网络首先要以一定的学习准则进行学习，然后才能工作。

现以人工神经网络对手写“A”、“B”两个字母的识别为例进行说明，规定当“A”输入网络时，应该输出“1”，而当输入为“B”时，输出为⋯0。

所以网络学习的准则应该是：如果网络作出错误的的判决，则通过网络的学习，应使得网络减少下次犯同样错误的可能性。

首先，给网络的各连接权值赋予(O，1)区间内的随机值，将“A”所对应的图象模式输入给网络，网络将输入模式加权求和、与门限比较、再进行非线性运算，得到网络的输出。

在此情况下，网络输出为“1”和⋯0的概率各为50％，也就是说是完全随机的。

这时如果输出为“1”(结果正确)，则使连接权值增大，以便使网络再次遇到“A”模式输入时，仍然能作出正确的判断。

如果输出为“0”(即结果错误)，则把网络连接权值朝着减小综合输入加权值的方向调整，其目的在于使网络下次再遇到“A”模式输入时，减小犯同样错误的可能性。

如此操作调整，当给网络轮番输入若干个手写字母“A”、“B”后，经过网络按以上学习方法进行若干次学习后，网络判断的正确率将大大提高。

这说明网络对这两个模式的学习已经获得了成功，它已将这两个模式分布地记·tz,在网络的各个连接权值上。

当网络再次遇到其中任何一个模式时，能够作出迅速、准确的判断和识别。

一般说来，网络中所含的神经元个数越多，则它能记忆、识别的模式也就越多。

1．4．3人工神经网络模型神经网络|2”在目前已有几十种不同的模型。

人们按不同的角度对神经网络进行分类，通常可按5个原则进行神经网络的归类。

按照网络的结构区分，则有前向网络和反馈网络。

按照学习方式区分，则有有教师学习和无教师学习网络。

按照网络性能区分，则有连续型和离散性网络，随机型和确定型网络。

按照突触性质区分，则有一阶线性关联网络和高阶非线性关联网络。

按对生物神经系统的层次模拟区分，则有神经元层次模型，组合式模型，网络层次模型，神经系统层次模型和智能型模型。

通常，人们较多地考虑神经网络的互连结构。

⋯段而言，神经网络【22l有分层网络，层内连接的分层网络．反馈连接的分层网络，互连网络等4种互连结构。

在人们提出的几十种神经网络模型中，人们较多用的是Hopfield网络、BP网络、Kohonen网络和ART(自适应共振理论)网络。

Itopfield网络123-24j是最典型的反馈网络模型，它是目前人们研究得最多的模型之一。

Hopfield网络是由相同的神经元构成的单层，并且不具学习功能的自联想网络。

它需要对称连接。

这个网络习以完成制约优化和联想记忆等功能。

BP网络是反向传播(BackPropagation)网络。

它是一种多层前向网络，采用最小均方差学习方式。

这是一种最广泛应用的网络。

它可用于语言综合，识别和自适应控制等用途。

BP网路需有教师训练。

Kohonen网络125】是典型的自组织神经网络，这种网络也称为自组织特征映射网络SOM。

它的输入层是单层单维神经元；而输出层是二维的神经元，神经元之间存在以“墨西哥帽”形式进行侧向交互的作用。

因而，在输出层中，神经元之间有近扬远抑的反馈特性；从而使Kohonen网络可以作为模式特征的检测器。

ART网络也是一种自组织网络模型。

这是一种无教师学习网络。

它能够较好地协调适应性，稳定性和复杂性的要求。

在ART网络中，通常需要两个功能互补的子系统相互作用．这两个子系统称注意子系统和取向子系统。

ART网络主要用于模式识别，它不足之处是在于对转换、失真和规模变化较敏感。

2 BP神经网络的基本原理从结构上来讲，BP神经网络是一个多层网络，由输入层、隐层和输出层三部分组成，输入层和输出层各含有一些神经元，其中在输入层对神经元输入信息(如组分配比)，在输出层得到输入信息的输出响应(如拉伸强度)。

隐层则由具有独特处理单元的神经元组成。

输入层和隐层可能还会存在一些附加节点，称为偏差神经元。

神经网络层与层之间大多采用全互连方式，同一层中各神经元之间不发生连接。

当给定网络的一个输入向量时，该向量由输入单元传人隐层单元，经隐层单元逐层处理后传到输出层单元，由输出层单元处理后产生一个输出向量。

这是一个逐层状态更新的过程，称为前向传播。

如果输出向量与期望输出之间有误差，那么就转入误差后向传播，将误差值逐层沿连接通路传送并修正连接权值。

每个神经元都与其连接的神经元有紧密联系，并且它们之间的影响程度取决于训练过程中校正的连接权值大小。

BP神经网络计算过程的关键步骤[16]如下。

(1)向输入层神经元输入数据z：。