计算机系统仿真技术目前已成为分析、研究各种系统,特别是复杂系统的重要工具,由于具有经济、可靠、易实现和可多次重复使用等优点,已成为对实际系统进行分析、设计、实验、评估的有效手段,在科学研究和工程领域具有广泛的应用。随着计算机系统仿真应用领域的不断扩大,人们所面临的系统建模问题也变得越来越复杂。目前主要存在两个方面的问题:一是建模对象复杂,存在着多种不确定性以及难以确定描述的非线性特性;二是对系统建模的要求越来越高,迫切需要提高系统模型的描述能力和建模方法的灵活性、普适性以及智能水平。人工神经网络是近年来计算机智能研究领域发展迅速的一门理论和技术,由于其用于问题求解无需事先建立精确的物理模型和数学模型而被应用于计算机系统仿真建模,且多层前馈网络可以逼近任意的连续函数,并与一个微分方程(组)对实际系统的描述能力等价,是一种适用性较强的系统仿真建模方法。同时该方法具有通过向环境学习获取知识(即通过对系统输入/输出典型样本数据的学习,来获取系统内部隐含的规律)的能力,因此对于系统仿真问题具有较好的适应性。本课题主要针对动态系统仿真的一些实际问题,研究适用于动态系统建模的人工神经网络模型和学习算法。首先总结了现有的动态系统的神经网络仿真模型:延时单元网络、全反馈网络和部分反馈网络模型,给出了它们的网络拓扑结构,用于系统仿真的方法,仿真学习算法以及仿真实例。然后建立了时变输入输出过程神经元网络和离散过程神经元网络两种网络模型,对其性质进行了分析和证明,推导出了具体的学习算法。最后结合实际问题,给出了时变输入输出过程神经元网络在系统辨识中的应用。论文内容安排如下:第1章是绪论。阐述了系统仿真的发展和应用;总结了现有的系统仿真建模方法;分析现有方法存在的缺点和难点;指出用人工神经网络进行系统仿真的好处;并对系统仿真、人工神经网络、过程神经网络的基本概念或模型进行了说明;提出本研究的选题和内容安排。第2章主要对系统仿真和人工神经网络的基本理论、性质、方法进行了总结;并对基于人工神经网络的系统仿真进行阐述,指出人工神经网络用于系统仿真的可行性,提出利