理论分析证明，具有单隐层的网络就可以映射出所有的连续函数，只有当映射的函数不连续时才会考虑到设计两个隐层，因此，BP 网络最多只需要设计两个隐层即可〔5〕。本研究中设计了单隐层的网络结构，从仿真结果可以得出结论，单隐层结构的 BP 网络就可以很好地满足设计要求。

　　BP 神经网络中，隐节点数太少，网络学习能力差，难以体现样本规律;隐节点数太多，可能出现过度吻合，降低了泛化能力。隐含层节点数的设计一般采用试凑法〔6〕。本研究选择7~12 为节点数，通过仿真选取最佳隐节点数。

　　2 BP 神经网络仿真

　　2.1 BP 神经网络模型建立

　　创建BP 神经网络，利用最快梯度下降的BP 算法训练数据。将表 1 中前7 组数据作为网络训练样本，1-8 组数据作为网络测试样本。输入层节点为 3，隐层节点为7~12，输出层节点为1。利用mapminmax 函数对数据样本进行区间化，使整个数据无量纲，隐层采用tansig 激活函数，输出层采用线性激活函数。学习因子设置为0.05，训练步长为5 000，网络目标误差设为0.001。当隐层节点数为10 时，网络模型见图 1。