環(huán)境科學(xué)人工神經(jīng)網(wǎng)絡(luò )運用論文
1ANN概述
1.1ANN的概念
神經(jīng)網(wǎng)絡(luò )是由大量互連的神經(jīng)元構成的網(wǎng)絡(luò )，而ANN則是利用工程技術(shù)手段模擬人腦神經(jīng)網(wǎng)絡(luò )結構和功能，由簡(jiǎn)單神經(jīng)元所構成的非線(xiàn)性動(dòng)力學(xué)系統。
1.2ANN的特征
ANN在模擬人腦，實(shí)現智能神經(jīng)網(wǎng)絡(luò )信息處理時(shí)具有6項特征。
1.2.1分布式存儲信息
在A(yíng)NN中，信息(知識)的存儲是按內容分布于大量神經(jīng)元中，而且，每個(gè)神經(jīng)元實(shí)際上存儲著(zhù)多種不同信息的部分內容。
1.2.2高強的容錯性
在A(yíng)NN中，由于存在并行處理機制和冗余結構特性，一定比例的神經(jīng)元(結點(diǎn))不參與運算，對整個(gè)系統的性能不會(huì )產(chǎn)生重大的影響，由此，表現出高強的容錯能力。
1.2.3并行處理信息
在A(yíng)NN中，大量的神經(jīng)元可以同時(shí)對信息進(jìn)行同樣的處理，而且是大規模地對信息平行處理。
1.2.4信息存儲和處理合二為一
在A(yíng)NN中，每個(gè)神經(jīng)元都兼有存儲信息和處理信息的功能。
1.2.5自學(xué)習性
ANN可以對信息自行組織，自行學(xué)習，自行適應。經(jīng)過(guò)適應訓練的神經(jīng)網(wǎng)絡(luò )具有潛在的自適應模式匹配功能，能對所學(xué)習的信息加以分布式存儲或泛化。
1.2.6非線(xiàn)性映射逼近能力
任意的連續非線(xiàn)性函數映射關(guān)系都可由某種多層神經(jīng)網(wǎng)絡(luò )以任意精度加以逼近。這種組成單元簡(jiǎn)單、結構有序的模型是非線(xiàn)性系統建模的有效框架模型。
1.3ANN的基本結構
ANN作為一個(gè)獨立系統，在運行時(shí)從外界環(huán)境接受信息(輸入層)，經(jīng)過(guò)加工處理后，再將結果輸出到外界環(huán)境中去(輸出層)。在信息處理過(guò)程中，各神經(jīng)元間的連接并非是簡(jiǎn)單的信號傳送通道，而是可以按神經(jīng)元之間的連接強度系數(權值)，對信號作放大或縮小處理。在大多數ANN中，這種連接強度系數是一個(gè)參變量，其改變方式由ANN的學(xué)習規則(算法)決定。由此可見(jiàn)，ANN的結構由神經(jīng)元、連接模式和學(xué)習規則3個(gè)基本要素構成。應用最廣泛的BP網(wǎng)絡(luò )在輸入層與輸出層之間增加了隱含層(簡(jiǎn)稱(chēng)隱層)，其中，隱層的層數及結點(diǎn)數量視具體情況而定。
1.4ANN的類(lèi)型
迄今為止，設計出的`ANN模型類(lèi)型達到40種以上。
2ANN在環(huán)境科學(xué)中的應用
ANN在環(huán)境科學(xué)中的應用主要包括環(huán)境質(zhì)量評價(jià)和環(huán)境系統因素預測兩大領(lǐng)域。
2.1環(huán)境質(zhì)量評價(jià)
環(huán)境質(zhì)量評價(jià)在本質(zhì)上屬于模式識別，這正是ANN的特長(cháng)所在。對某區域的環(huán)境質(zhì)量的綜合評價(jià)一般涉及到較多的評價(jià)因素，而且，各因素與區域環(huán)境的整體質(zhì)量關(guān)系復雜。近年來(lái)，會(huì )國內學(xué)者在這方面有較多的報道。例如:白潤才等選擇廢水、廢氣、廢渣、SO2、TSP和居民區晝噪音6項指標作為評定指標，把城市環(huán)境質(zhì)量等級標準分為3級，建立BP網(wǎng)絡(luò )模型對重慶、雅安、西昌等6個(gè)城市的環(huán)境質(zhì)量進(jìn)行評定，其結果與傳統的灰色關(guān)聯(lián)法完全一致，且具有不需預處理、精度高等優(yōu)點(diǎn)。王李管等采用國家有關(guān)環(huán)境質(zhì)量標準的有關(guān)指標，建立了BP網(wǎng)絡(luò )模型，對兩個(gè)城市的大氣質(zhì)量和水質(zhì)進(jìn)行環(huán)境評價(jià)，其結果與模糊數學(xué)法和灰色聚類(lèi)法的結果完全一致。湯麗妮等選取年均降水量、森林覆蓋率、土壤生產(chǎn)力和生物多樣性4項正向指標，災害發(fā)生率、水土流失、土壤侵蝕度、干燥度、草場(chǎng)退化率、森林砍伐率、坡度、坡度開(kāi)墾率和降水分配率9項負向指標，根據區域綜合自然地理狀況和環(huán)境特點(diǎn)，將生態(tài)環(huán)境質(zhì)量分為4級，應用創(chuàng )建的生態(tài)環(huán)境質(zhì)量評價(jià)BP網(wǎng)絡(luò )模型對某區域的生態(tài)環(huán)境質(zhì)量進(jìn)行評價(jià)，其結果與環(huán)境質(zhì)量實(shí)況相符。
2.2環(huán)境系統因素預測
由于環(huán)境系統的因素多種多樣，各因素間的關(guān)系復雜以及系統演化的不確定性特別強，因而，如何對環(huán)境系統內部關(guān)鍵因素與系統狀態(tài)關(guān)系進(jìn)行模擬，預報各自的演化趨勢一直是學(xué)者們關(guān)注的重點(diǎn)。鑒于A(yíng)NN對復雜系統非線(xiàn)性特征具有很強的捕捉能力，近年來(lái)，已有頗多的用于環(huán)境系統因素預測方面的研究報告。例如:石純等針對復雜系統的非線(xiàn)性特征，以上海市和崇明縣為實(shí)例，建立了沿海區域環(huán)境復雜系統預測的BP網(wǎng)絡(luò )模型，取得了較好的預測結果，為可持續發(fā)展復雜系統的預測研究探索了一種新的可能方法。王瑛等利用1981～1992年14項環(huán)境經(jīng)濟數據建立了BP網(wǎng)絡(luò )模型，對2000年環(huán)境指標進(jìn)行了預測。并指出:當外界環(huán)境和系統本身性質(zhì)發(fā)生劇烈變化時(shí)，BP網(wǎng)絡(luò )能提供一種有效的方法來(lái)更新模型，實(shí)現新舊模型之間的轉換。蔡煜東等運用三維Kohonen自組織ANN模型分析預測了黃土高原生態(tài)經(jīng)濟破壞程度，預測成功率達到100%。李祚泳等建立了應用于環(huán)境污染物濃度預測的BP網(wǎng)絡(luò )模型，并通過(guò)一個(gè)大氣污染物SO2濃度的預測實(shí)例，證實(shí)ANN用于環(huán)境污染物預測的可行性和客觀(guān)性。翟宜峰等采用具有高度非線(xiàn)性識別能力的ANN與遺傳算法相結合的方法，建立了一個(gè)智能預報模型。經(jīng)檢驗結果表明，該方法能夠較好地識別多泥沙洪水的演進(jìn)規律，合理預報水位、流量和含沙量。
3ANN在水環(huán)境質(zhì)量評價(jià)中的應用
3.1地面水環(huán)境質(zhì)量
關(guān)于地面水環(huán)境質(zhì)量，根據水域使用目的和保護目標，《國家地面水環(huán)境質(zhì)量標準》(GB3838－88)將其劃分為五類(lèi)。劃分方法是在滿(mǎn)足基本要求的情況下，制定了30項評價(jià)指標，如總磷含量、溶解氧、CODCr、BOD5等，由此來(lái)確定水體的類(lèi)別。但在實(shí)際操作過(guò)程中往往出現這樣的情況，即按某些指標應劃分到這個(gè)類(lèi)別，而按另外一些指標卻劃分到另一個(gè)類(lèi)別的相互矛盾的情況，從而給確定該水域環(huán)境質(zhì)量類(lèi)別帶來(lái)困難。張文藝根據ANN具有自學(xué)習和自適應能力，最適于處理在已知條件和結果之間無(wú)明確關(guān)系的數據的特點(diǎn)，建立了BP網(wǎng)絡(luò )模型。對水環(huán)境質(zhì)量評價(jià)的結果表明，該方法具有評價(jià)結果客觀(guān)、準確、可靠的優(yōu)點(diǎn)。李祚泳、鄔紅娟等的研究也表明BP網(wǎng)絡(luò )模型用于水環(huán)境質(zhì)量評價(jià)具有客觀(guān)性和實(shí)用性。劉國東等在比較了BP網(wǎng)絡(luò )與Hopfield網(wǎng)絡(luò )在水環(huán)境質(zhì)量綜合評價(jià)中的性能后，將Hopfield網(wǎng)絡(luò )采用模式(圖象)聯(lián)想或匹配，使其既適用于定量指標的水質(zhì)參數，又適用于定性指標的水質(zhì)參數，從而使水環(huán)境質(zhì)量評價(jià)形象化，因此更優(yōu)于BP網(wǎng)絡(luò )。李峰將各評價(jià)指標轉化為“二進(jìn)制”的“1”或“0”，進(jìn)而將這種二進(jìn)制引入BP網(wǎng)絡(luò )。實(shí)踐證實(shí)，這種新的BP網(wǎng)絡(luò )同樣適用于定量指標的水質(zhì)參數，也適用于定性指標的水質(zhì)參數。此外，郭宗樓等將BP網(wǎng)絡(luò )用于湖泊富營(yíng)養化程度評價(jià)，李靖建立了高原湖泊水質(zhì)BP網(wǎng)絡(luò )模型，通過(guò)實(shí)例檢查結果表明，BP網(wǎng)絡(luò )方法能準確反映水體污染程度，具有較強處理相互矛盾影響樣本的能力。
3.2地下水環(huán)境質(zhì)量
目前，用于地下水環(huán)境質(zhì)量評價(jià)的方法主要有綜合指數法、模糊綜合評判法和灰色聚類(lèi)法3種，但這些方法存在劃分間隔過(guò)大，不能反映水質(zhì)的實(shí)際情況，或出現“失真”、“失敗”而無(wú)法判別，或函數設計因人而異，模式難以通用。因為地下水環(huán)境質(zhì)量評價(jià)與地面水一樣，屬于模式識別問(wèn)題。盧新衛等應用神經(jīng)網(wǎng)絡(luò )理論與方法建立了地下水環(huán)境質(zhì)量評價(jià)BP網(wǎng)絡(luò )模型，克服了傳統方法的不足之處，通過(guò)對某地下水環(huán)境質(zhì)量的評價(jià)，表明該方法運用簡(jiǎn)便、精確可靠、可判性強。
4ANN的局限性及發(fā)展趨勢
4.1ANN的局限性
ANN盡管具有許多優(yōu)點(diǎn)，但也有明顯的局限性，主要表現在以下5個(gè)方面。
4.1.1數值運算的局限性
ANN將所有信息處理都歸結為數值運算，這對于可以數值化的信息是絕對可行的，但對于一些不能用數值表達的信息，將其數值化，易歪曲原信息的內涵，得出錯誤的結論，甚至將信息丟失。
4.1.2隱含層的缺陷
ANN對信息的表達、存儲、計算和推理都是隱式的，不能向用戶(hù)解釋推理依據和過(guò)程。
4.1.3學(xué)習樣本的局限性
ANN模型的性能在很大程度上依賴(lài)于學(xué)習樣本的數量多少和質(zhì)量好壞。如學(xué)習樣本太少，或樣本的代表性太差，其性能就會(huì )明顯減退而使結論的可靠性降低。
4.1.4模型的推廣性差
目前ANN的應用，都是為某種特定的用途而開(kāi)展的，其設計模型的適用范圍很小，難以推廣。
4.1.5硬件研究滯后
現在A(yíng)NN還處于算法研究階段，現有的微機難以完成其運算過(guò)程，而適用于A(yíng)NN的硬件研究進(jìn)展十分緩慢。
4.2ANN的發(fā)展趨勢
近年，ANN無(wú)論在理論研究上，還是在實(shí)際應用中，都取得了突飛猛進(jìn)的發(fā)展。但必須清醒地認識到，ANN只是對人腦的簡(jiǎn)單模擬，尚有許多問(wèn)題有待解決。為了改善ANN的應用，解決環(huán)境科學(xué)中存在的大量不確定性和模糊性問(wèn)題，可以采取以下3條途徑:①ANN與專(zhuān)家系統相結合，實(shí)現符號處理與數值處理相結合，使知識的提取、存儲、推理和解釋更接近人腦;②把不同類(lèi)型的ANN模型以不同形式組合在一起，構成一個(gè)新的綜合性ANN系統，即"微腦";③將模糊數學(xué)、數理邏輯、拓撲數學(xué)等結合到ANN的學(xué)習規則中，使其具有求解不確定性、模糊性和似然性推理等問(wèn)題的能力。此外，研究ANN硬件芯片以提高運行速度也是有待解決的重要問(wèn)題。隨著(zhù)大規模集成電路VLSI、光學(xué)與分子器件的發(fā)展、人工神經(jīng)計算機的研制，ANN必將會(huì )得到越來(lái)越廣泛的應用和迅猛發(fā)展。
【環(huán)境科學(xué)人工神經(jīng)網(wǎng)絡(luò )運用論文】相關(guān)文章：
人工神經(jīng)網(wǎng)絡(luò )論文03-12
人工神經(jīng)網(wǎng)絡(luò )定義論文03-12
神經(jīng)網(wǎng)絡(luò )經(jīng)典論文02-25
環(huán)境科學(xué)與工程論文03-12
環(huán)境與科學(xué)論文11-15