人工神经网络具有结构简单、能够大规模并行、容易用硬件实现,并且具有学习和记忆能力、自适应和多样性等特性。神经网络的优良特性使得其显示出强有力的生命力,正在越来越多的领域内广泛应用。1.本文首先介绍了人工神经网络理论的发展与应用,接着对单层线性网络和带有一个隐含层的多层线性网络网络输出的数学表达式进行了深入研究,发现多层线性网络网络输出的数学表达式仍然是线性函数,只是具有更加复杂的权重和阈值,进而从它们网络输出的数学公式方面证明了单层线性网络与多层线性网络具有相近的能力,即多层线性网络不产生更强大的功能。所以,多层线性网络可以被单层线性网络所替代,多层线性网络的存在是没有必要的。2.详细阐述BP神经网络和遗传算法的基本原理和学习训练过程,分析BP神经网络存在的一些缺陷。利用遗传算法全局搜索能力强的特点与人工神经网络模型学习能力强的特点,把遗传算法应用于神经网络初始权值和阈值的优化,设计出GA-BP算法,克服BP算法容易陷入局部极小点,收敛速度慢的缺点。3.以学生成绩数据为例,建立了基于自适应线性网络、BP神经网络、GA-BP网络的学生成绩分类模型,运用MATLAB软件进行仿真后,结果表明,自适应线性网络分类效果较差,平均测试精度为81.62%;BP神经网络模型分类效果较好,平均测试精度为99.06%;GA-BP算法识别精度最高,网络训练速度最快。平均测试精度为99.46%。