学习算法比较繁琐，收敛较慢。
因为神经网络对生物系统模拟的组织和抽象层次的不同，可以将神经网络模型分为以下几个类型：①神经元层次模型，将研究工作集中在某个神经元的动态特征，对输入信息的选择性响应进行探究；②网络层次模型，其自身包含不同的神经网络，主要用来模拟生物神经的复杂性和抽象性；③组合式模型，它的神经元相互补充和作用，主要用来完成固定的任务，可以用于机器人的控制；④神经系统层次模型，神经网络具有多种性质，可以模拟动物更抽象化的功能；⑤智能型模型，这种形式最抽象，主要通过语言的形式来模拟人脑的思维过程。
2.3 神经网络的性质及工作方式
神经网络具有收敛性、容错性以及推广性等基本特性，其中收敛性是指在使用有限元法迭代时可以得到收敛的结果；容错性是指神经网络具有自动修复功能，将不完整的、破碎的信息恢复成完整的形式；神经网络的推广性一般指已经训练好的神经网络可以对不属于训练范围的样本进行分类，具有推广性。神经网络的工作过程主要分为两个阶段，第一个阶段是工作期，此阶段的主要目的是改变计算机的状态，以达到稳定的状态；第二个阶段是学习期，在此期间计算机的状态保持不变，通过连接权值的变化调整。前一阶段时间较短，容易进行，为短期记忆，后一阶段时间较长，为长期记忆。
2.4 模糊神经网络
在边坡稳定性评价中，有一些模糊概念如岩性较差、地形较陡等，因此在神经网络的应用当中我们也引入模糊神经网络理论。由于模糊网络理论本身具有模糊性，因此在处理一些精度要求高的问题上，模糊网络的使用应该受到限制。模糊理论主要用来模仿人类在模糊情况下的思维方式，相对于人工神经网络，模糊神经网络推理过程简单，对专家的知识利用率较高，并且样品的要求较低，但是会存在一些人为因素的影响，如果将两者结合，便可以起到很好的效果。模糊神经网络的构造方法一是通过两个或者更多的模糊神经元经过层状的结构连接在一起形成，其基本单元是模糊神经元（图2）；二是通过输入层的模糊化处理，神经网络只完成非线性映射功能，该系统的组成元素包括：模糊化层、神经网络层以及反射模糊化层，在处理过程中，通过对输入知识的处理和输出知识的后处理，将模糊概念成功的融入到表达式中。
3 边坡稳定性的模糊神经网络评价
3.1 边坡稳定的评价的输入知识主要包括两大类，分别是对数值变量的描述和对知识变量的描述。根据前面所说的模糊理论知识对函数进行选择，包括正态分布函数、三角函数等。其中对于定性指标来说，需要将数据进行量化处理，从而评定其模糊矩阵。在实际情况中，常常需要根据实际情况由专家决定其隶属度，才会带来使得评价更为方便。
3.2 网络的输入层和输出层的神经元的个数是由使用者根据实际情况来定的，在实际设计过程中，可以通过要求解的问题和数据的多少来决定输入的神经元，并且在设计时要控制整个系统的规模，规模越小，越利于学习和使用，复杂性也会降低。
4 结论
边坡稳定性评价自身存在多样性、复杂性广泛性，因此在实际评价过程中，仍然有一些不成熟的地方需要改进。我们应该充分利用当今飞速发展的科技进步，将最好的、最有效的方法引入到边坡工程评价当中，不断的提高自身的实力，将知识转变为科学生产力，只要我们不断努力，必然会总结出更合适的评价方法。
参考文献：
[1]蒋裕丰，娄一青，赵二峰.基于二进制蚁群神经网络的边坡稳定分析[J].西安建筑科技大学学报（自然科学版），2009，03：346-351+370.
[2]周宁，傅鹤林，袁勇.基于模糊神经网络的边坡稳定性评价方法[J].地下空间与工程学报，2009，S2：1826-1832.
[3]李元松，陈文峰，李新平，田昌贵，夏进，郭运华.基于模糊神经网络的边坡稳定性评价方法[J].武汉理工大学学报，2013，01：113-118.
[4]张万亮，许晨，张丁，郝玉成.基于T-S模糊神经网络的边坡稳定性分析[J].露天采矿技术，2013，04：20-22.
[5]冯敏杰.基于神经网络的边坡稳定可靠度分析方法研究[D].合肥工业大学，2008.
[6]申君.基于模糊神经网络的核应急决策系统的研究与设计[D].南华大学，2012.