由于人工神经网络具有强大的自适应、自学习及容错性等特性，因此其在应对创新型企业知识流这种大型复杂模型时，显示出极大的优势。在基于人工神经网络的企业知识流建模过程中，知识的原始载体──知识员工是人工神经网络的输入，知识员工在实践中获得的各种经验、思路等即为企业的知识，这些知识分布式地存储于各个知识载体（头脑）中，具有非量化性、非系统性以及高冗余性等特点。这些知识载体中的知识通过一定的界面与接口，以一定的方式输入到企业人工神经网络系统中，经过数量庞大、结构复杂的人工神经网络的学习，形成系统化、条理化、结构化与数量化的显性知识，实现了对不同知识载体元知识信息的降冗余过程，并形成了对知识的规范化表述。最后人工神经网络将这些经过显性化的知识输出到创新型企业知识库，并由其进行存储利用。

在基于人工神经网络的知识流研究模型中，经过预先定制的人工神经网络是知识采集及处理的主要部分，对于知识流中的每一知识起始点和停止点，即知识节点，运用人工神经元模型描述其结构，如图7-8所示。

图7-8 基于人工神经元模型的知识节点结构

图7-8中，p₁¹，p₂¹，…，p_i¹为来自不同知识载体的知识，这些知识是知识载体在实践过程中形成的具有一定共性的知识，由于知识载体个人之间的差异，这些知识虽然描述的是一个共同的事物或事件，但表述形式却有所差异，为了便于形成条理化、系统化以及精确性的原子知识，避免二义性，需要通过人工神经网络进行处理。通常处理一个知识需要动用网络中的多个人工神经元，这里为了简便，仅以单个人工神经元为例进行描述。图7-8中，对应于每一路知识输入，链路上都定义了相应的突触连接权系数w，于是有

式中，∑p定义为来自不同知识载体的共性知识集；w为突触连接权系数向量；T为神经元的激发条件，也就知识流动的条件；M₀表示人工神经元的初始模态。

当g满足知识流动条件T时，人工神经元作出响应，并有响应函数为

s=σ(g) （7-11）

人工神经元的响应输出是对来自不同知识载体的原始知识的抽象与精炼，这一过程使得原先存在于知识载体自有知识库中的非结构化知识通过人工神经网络的作用，形成结构化的描述，更利于知识之后的流动与转化。

一般，原始知识形成原子知识的过程需要动用人工神经网络中的多个神经元，或者经过多层神经元的计算才能实现。在上述过程中，原子知识在Δt时间内的流量可以定义为

Q_i(Δt)=Q_i(t+Δt)−Q_i(t) （7-12）(www.daowen.com)

于是可定义原子知识在t时刻的流速为

另外，还可定义某一人工神经元的知识转化效率为

根据上述指标便可以对知识流的状态进行描述，并通过调整人工神经网络的参数对知识流的流动进行控制。

利用人工神经网络能够对知识流进行有效的控制，通过人工神经网络的智能性学习，能将知识载体中的知识进行有计划的提取，并最终形成创新型企业自身的知识库。下面以原子知识的形成过程为例进行说明。

在知识流的人工神经网络表示中，知识载体p对应于人工神经网络中的前项输入，由于知识载体在各方面的差异，使得其在知识的认识和表述上同样存在相应的差别，如图7-9所示。图中，p₁，p₂，…，p_n为知识载体，他们在实践中对某一事物的主体部分的认识是一致的，即图中所示的五角星部分，但知识载体在个别地方可能存在认识上的差异。因此，人工神经网络需要根据输入的这些具有差异性的知识，进行处理，进而形成了对该事物的精确认识，即人工神经元或神经网络的输出。

图7-9 基于人工神经网络的知识表述差异

人工神经网络输出的原子知识，经过一定的变换，存储于创新型企业知识库中。这种由原子知识到企业知识库知识的过程不断地进行重复，于是便形成了创新型企业中知识的积淀，为提高企业员工的整体知识水平，提升企业的核心竞争力奠定了必要的物质基础。

在这一过程中，由于智能化的人工神经网络具有强大的对非线性系统的学习能力，从而使得知识的转移效果与效率都得到了很大的提升，同时人工神经网络的输入界面能够全面地获取知识载体的知识元信息，克服了传统知识流转方式中存在的许多问题。