创新及经营活动中对知识流的测量以及知识管理过程中对知识分布变化的判断是创新型企业知识管理的基础工作，也是研究难点。基于人工神经网络的创新型企业知识流管理能大大提高企业知识流的流转效率，对提升企业的竞争力具有极其重要的影响。恰当地引入定量模型或者逻辑模型是必要的。

在知识管理的实践中，知识传播的物理结构，即知识流的分布与流量，是分析与判断的基础，因此可以建立描述这种物理结构的模型。将人工神经网络方法建立的知识流模型，应用于创新型企业发展实际，提出相应的基于人工神经网络的创新型企业知识管理模型。

在创新型企业中，知识员工是知识的主要载体，具有很强的分布特性，但是由于各种原因，知识在企业中的流转受到很大的限制。造成这些限制的主要原因在于知识的提取、归纳与升华过程往往是一个非线性的过程，而且知识库与知识原始载体之间缺乏有效的交互机制。因此需要建立一种由知识源到知识库和由知识库回归知识需求者的交互机制。

人工神经网络是生理学上的真实人脑神经网络的结构和功能，以及若干基本特性的某种理论抽象、简化和模拟而构成的一种信息处理系统。从系统观点来看，人工神经网络是由大量神经元通过极其丰富和完善的连接而构成的自适应非线性动态系统。这种系统能模拟人脑处理问题的过程，对非线性的问题进行内部模型化，对问题进行抽象和处理，并条理化的输出。由此可见，将其应用于创新型企业知识管理具有较好的模型适应性，同时由于人工神经网络不仅具有学习功能，而且具有联想存储功能和高速寻找优化解的能力，因此利用人工神经网络进行创新型企业的知识管理将会有较高的运行效率。另外创新型企业知识管理的对象是知识，是创新型企业业务流程中产生的知识，知识管理是需要与创新型企业现有的业务流程紧密结合在一起的，人工神经网络可以帮助企业进行智能化管理。

根据对创新型企业知识流的分析与综合，并对其进行细化，可以得到如图7-10所示的基于人工神经网络的创新型企业知识管理模型。该模型反映了创新型企业知识产生、积累、分发与应用的全过程。

图7-10 基于人工神经网络的创新型企业知识管理模型

图7-10中左半部分反映的是知识由知识载体到企业知识库的转化，p₁，p₂，…，p_n表示企业中创造和拥有知识的知识员工，他们在实践中获得的各种隐性知识分布式地存储于各个知识载体（头脑）中。在以往的条件下，企业中这种知识的传递只能由知识员工与知识需求者之间通过口授等方式传递，这种知识的流转方式存在一定的问题，比如知识流动性差，不具有广泛传播性以及对知识员工与知识需求者表达与接受能力的要求较高等。传统的知识流转方式与当前创新型企业由技术性原始积累到规模化创新发展之间存在着较大的矛盾。

基于人工神经网络的创新型企业知识管理模型中引入人工神经网络方法，采集知识员工原始创新所形成的隐性知识，并通过数量庞大、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。最后这些由人工神经网络输出的显性知识将作为创新型企业知识库的输入，最终存储于创新型企业知识库S中，图7-10中n₁，n₂，…，n_m代表人工神经网络中的各神经元，而s₁，s₂，…，s_l表示知识库的存储单元，很显然，m与l两者不相等，即人工神经网络的输出神经元与知识库存储单元的维数不相等，一般情况下，知识库的存储单元维数l大于等于人工神经网络的输出神经元数量m。两者的连接形式可以采用一对一的简单拓扑连接方式，也可以采用复杂的全拓扑连接方式，为简单起见，本模型采用了一对一连接方式，图7-10中采用了简化图示，n_m与s_l的连接以“0”输入补齐维数差，即第m+1到l个知识库存储单元输入为“0”。另外，人工神经网络将根据需要采取不同的形式或采用复合形式，以利于知识的提取与精炼。

对模型中的知识流速进行刻画，定义知识的长度为编码后知识的位长度，即

则对单一原子知识来说，人工神经网络出口处的流量可定义为

(www.daowen.com)

式中，Δt为该原子知识的采集及处理周期，于是可得对于该原子知识的人工神经网络出口流速，即知识流速为

上式表示的是单一原子知识在网络出口处的流速，而整个知识流人工神经网络的出口流速可定义为

式中，∑_iQ_i(Δt)表示Δt时间内网络出口处的知识总流量。知识流人工神经网络的出口流速等于知识库的入口流速，即V_s=V_n，于是知识库在单位时间的更新量可定义为

知识流人工神经网络的知识转化效率是刻画网络处理能力的另一指标，知识转化效率可以进行多种形式的定义，如数据层面的转化效率，主要刻画生成单位原子知识所需要的原始知识的数据量；再如成本层面的转化效率，主要刻画生成单位原子知识企业所需要付出的各种成本的总量。这里对数据层面的转化效率进行分析，首先定义原始知识集为

式中，⊕表示知识加法，需根据实际情况进行必要的定义，例如可定义为知识内涵部分的并集等，根据上述定义，可得原子知识的转化效率为

上述知识流的上行过程主要解决知识在提取与综合过程中的问题，由于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中口授等方式的非系统性的问题，也降低了对知识载体发布知识元信息的能力要求。

图7-10中右半部分反映创新型企业知识的分发与应用过程，这是企业知识流的下行过程。该过程由知识需求者p₁，p₂，…，p_q启动，通过专家查询系统e提出对特定知识的查询请求，查询系统根据用户的需求，按照一定的查询规则访问企业知识库，调取相应的知识，并反馈给知识需求者。专家查询系统是利用专家系统理解查询请求，在推理分析的基础上对查询请求进行细分，然后根据细分后的请求在企业知识库中查询对应的原子知识，并将这些原子知识按照一定的规则组合为知识信息反馈到知识需求者。创新型企业知识管理模型中采用专家查询系统能有效提高知识下行的效率，能够将知识需求者相对模糊的查询请求进行智能分析，从而提供满足知识需求者要求的知识信息，使少数专家所拥有的知识能被更多的知识需求者所用。这种基于专家查询系统的知识管理模型能提供对创新型企业知识库的良好、有效访问。同时对知识需求者来说，专家查询系统能提供高互动性查询以及请求信息模糊分析等多种面向用户的解决方案，因此能实现对知识需求者的“引导式知识流转”，从而减少因请求表述差异而造成的知识流转过程中的“质与量”的差异。另外，采用专家查询系统的知识管理模型使得创新型企业中的知识流转更具有广泛性和普及性，比传统知识流转方式更能适应创新型企业员工业务素质和知识水平的要求，对加快知识流在企业内部各个环节的流转，提高其流转的效率具有非常重要的作用。