由BP网络的学习过程可知，输入参数对输出参数的影响由作用于该输入的权值确定。因此，确定了网络输入与输出之间的权值分布也就确定了输入参数的确定度，由此反映了输入参数对输出影响作用的相对大小。可以参照误差反向传播方法来求确定度（徐洪钟等，2003）。输入层节点对输出层节点的影响是由各层的权值来传递的，即由前一层影响到后一层，层层复合到输出。

这里，也利用权值来反映输入变量对输出结果的影响程度。根据观测资料，利用BP网络建立反映扬压力与其影响因素之间关系的神经网络模型。模型的输入变量为上游库水位、温度、时效等因子，网络的输出为扬压力。这样，所建立的3 层神经网络的输入层节点数为N，隐含层的节点数为M，输出层节点数为1。采用LMBP算法训练网络，网络需经过一定的训练次数后收敛。令wij为输入层j 和隐含层i 之间以及隐含层i 和输出层之间的连接权值，具体步骤如下。

1）初始化输出节点确定度，若输出节点数为K0，则一般取为Q0＝1/K0，文中取为1。

2）反向求隐含层节点的确定度，即将输出层节点确定度由权值作用向前传播，因为输出节点确定度为1，故隐含层节点的确定度为1×wij＝wij。

3）求输入层的确定度，对每一个隐含层的节点i，每一个输入层节点j，将权值wij和wi1相乘，得到(www.daowen.com)

将pij规范化，有

对于每一个输入层节点j，将Qij求和，得到输入层的确定度

由此，可得到各输入变量（因子）对输出变量的影响比例