前言:想要寫出一篇引人入勝的文章?我們特意為您整理了環(huán)境科學(xué)人工神經(jīng)網(wǎng)絡(luò)運(yùn)用范文,希望能給你帶來靈感和參考,敬請閱讀。
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(gòu)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(jié)構(gòu)和功能,由簡單神經(jīng)元所構(gòu)成的非線性動(dòng)力學(xué)系統(tǒng)。
1.2ANN的特征
ANN在模擬人腦,實(shí)現(xiàn)智能神經(jīng)網(wǎng)絡(luò)信息處理時(shí)具有6項(xiàng)特征。
1.2.1分布式存儲信息
在ANN中,信息(知識)的存儲是按內(nèi)容分布于大量神經(jīng)元中,而且,每個(gè)神經(jīng)元實(shí)際上存儲著多種不同信息的部分內(nèi)容。
1.2.2高強(qiáng)的容錯(cuò)性
在ANN中,由于存在并行處理機(jī)制和冗余結(jié)構(gòu)特性,一定比例的神經(jīng)元(結(jié)點(diǎn))不參與運(yùn)算,對整個(gè)系統(tǒng)的性能不會(huì)產(chǎn)生重大的影響,由此,表現(xiàn)出高強(qiáng)的容錯(cuò)能力。
1.2.3并行處理信息
在ANN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(guī)模地對信息平行處理。
1.2.4信息存儲和處理合二為一
在ANN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(xí)性
ANN可以對信息自行組織,自行學(xué)習(xí),自行適應(yīng)。經(jīng)過適應(yīng)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)具有潛在的自適應(yīng)模式匹配功能,能對所學(xué)習(xí)的信息加以分布式存儲或泛化。
1.2.6非線性映射逼近能力
任意的連續(xù)非線性函數(shù)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。這種組成單元簡單、結(jié)構(gòu)有序的模型是非線性系統(tǒng)建模的有效框架模型。
1.3ANN的基本結(jié)構(gòu)
ANN作為一個(gè)獨(dú)立系統(tǒng),在運(yùn)行時(shí)從外界環(huán)境接受信息(輸入層),經(jīng)過加工處理后,再將結(jié)果輸出到外界環(huán)境中去(輸出層)。在信息處理過程中,各神經(jīng)元間的連接并非是簡單的信號傳送通道,而是可以按神經(jīng)元之間的連接強(qiáng)度系數(shù)(權(quán)值),對信號作放大或縮小處理。在大多數(shù)ANN中,這種連接強(qiáng)度系數(shù)是一個(gè)參變量,其改變方式由ANN的學(xué)習(xí)規(guī)則(算法)決定。由此可見,ANN的結(jié)構(gòu)由神經(jīng)元、連接模式和學(xué)習(xí)規(guī)則3個(gè)基本要素構(gòu)成。應(yīng)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(簡稱隱層),其中,隱層的層數(shù)及結(jié)點(diǎn)數(shù)量視具體情況而定。
1.4ANN的類型
迄今為止,設(shè)計(jì)出的ANN模型類型達(dá)到40種以上。
2ANN在環(huán)境科學(xué)中的應(yīng)用
ANN在環(huán)境科學(xué)中的應(yīng)用主要包括環(huán)境質(zhì)量評價(jià)和環(huán)境系統(tǒng)因素預(yù)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的特長所在。對某區(qū)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(qū)域環(huán)境的整體質(zhì)量關(guān)系復(fù)雜。近年來,會(huì)國內(nèi)學(xué)者在這方面有較多的報(bào)道。例如:白潤才等選擇廢水、廢氣、廢渣、SO2、TSP和居民區(qū)晝噪音6項(xiàng)指標(biāo)作為評定指標(biāo),把城市環(huán)境質(zhì)量等級標(biāo)準(zhǔn)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(jié)果與傳統(tǒng)的灰色關(guān)聯(lián)法完全一致,且具有不需預(yù)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(biāo)準(zhǔn)的有關(guān)指標(biāo),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(jié)果與模糊數(shù)學(xué)法和灰色聚類法的結(jié)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(xiàng)正向指標(biāo),災(zāi)害發(fā)生率、水土流失、土壤侵蝕度、干燥度、草場退化率、森林砍伐率、坡度、坡度開墾率和降水分配率9項(xiàng)負(fù)向指標(biāo),根據(jù)區(qū)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(yīng)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(qū)域的生態(tài)環(huán)境質(zhì)量進(jìn)行評價(jià),其結(jié)果與環(huán)境質(zhì)量實(shí)況相符。
2.2環(huán)境系統(tǒng)因素預(yù)測
由于環(huán)境系統(tǒng)的因素多種多樣,各因素間的關(guān)系復(fù)雜以及系統(tǒng)演化的不確定性特別強(qiáng),因而,如何對環(huán)境系統(tǒng)內(nèi)部關(guān)鍵因素與系統(tǒng)狀態(tài)關(guān)系進(jìn)行模擬,預(yù)報(bào)各自的演化趨勢一直是學(xué)者們關(guān)注的重點(diǎn)。鑒于ANN對復(fù)雜系統(tǒng)非線性特征具有很強(qiáng)的捕捉能力,近年來,已有頗多的用于環(huán)境系統(tǒng)因素預(yù)測方面的研究報(bào)告。例如:石純等針對復(fù)雜系統(tǒng)的非線性特征,以上海市和崇明縣為實(shí)例,建立了沿海區(qū)域環(huán)境復(fù)雜系統(tǒng)預(yù)測的BP網(wǎng)絡(luò)模型,取得了較好的預(yù)測結(jié)果,為可持續(xù)發(fā)展復(fù)雜系統(tǒng)的預(yù)測研究探索了一種新的可能方法。王瑛等利用1981~1992年14項(xiàng)環(huán)境經(jīng)濟(jì)數(shù)據(jù)建立了BP網(wǎng)絡(luò)模型,對2000年環(huán)境指標(biāo)進(jìn)行了預(yù)測。并指出:當(dāng)外界環(huán)境和系統(tǒng)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更新模型,實(shí)現(xiàn)新舊模型之間的轉(zhuǎn)換。蔡煜東等運(yùn)用三維Kohonen自組織ANN模型分析預(yù)測了黃土高原生態(tài)經(jīng)濟(jì)破壞程度,預(yù)測成功率達(dá)到100%。李祚泳等建立了應(yīng)用于環(huán)境污染物濃度預(yù)測的BP網(wǎng)絡(luò)模型,并通過一個(gè)大氣污染物SO2濃度的預(yù)測實(shí)例,證實(shí)ANN用于環(huán)境污染物預(yù)測的可行性和客觀性。翟宜峰等采用具有高度非線性識別能力的ANN與遺傳算法相結(jié)合的方法,建立了一個(gè)智能預(yù)報(bào)模型。經(jīng)檢驗(yàn)結(jié)果表明,該方法能夠較好地識別多泥沙洪水的演進(jìn)規(guī)律,合理預(yù)報(bào)水位、流量和含沙量。
3ANN在水環(huán)境質(zhì)量評價(jià)中的應(yīng)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(jù)水域使用目的和保護(hù)目標(biāo),《國家地面水環(huán)境質(zhì)量標(biāo)準(zhǔn)》(GB3838-88)將其劃分為五類。劃分方法是在滿足基本要求的情況下,制定了30項(xiàng)評價(jià)指標(biāo),如總磷含量、溶解氧、CODCr、BOD5等,由此來確定水體的類別。但在實(shí)際操作過程中往往出現(xiàn)這樣的情況,即按某些指標(biāo)應(yīng)劃分到這個(gè)類別,而按另外一些指標(biāo)卻劃分到另一個(gè)類別的相互矛盾的情況,從而給確定該水域環(huán)境質(zhì)量類別帶來困難。張文藝根據(jù)ANN具有自學(xué)習(xí)和自適應(yīng)能力,最適于處理在已知條件和結(jié)果之間無明確關(guān)系的數(shù)據(jù)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(jié)果表明,該方法具有評價(jià)結(jié)果客觀、準(zhǔn)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(biāo)的水質(zhì)參數(shù),又適用于定性指標(biāo)的水質(zhì)參數(shù),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(biāo)轉(zhuǎn)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(biāo)的水質(zhì)參數(shù),也適用于定性指標(biāo)的水質(zhì)參數(shù)。此外,郭宗樓等將BP網(wǎng)絡(luò)用于湖泊富營養(yǎng)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,通過實(shí)例檢查結(jié)果表明,BP網(wǎng)絡(luò)方法能準(zhǔn)確反映水體污染程度,具有較強(qiáng)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(shù)法、模糊綜合評判法和灰色聚類法3種,但這些方法存在劃分間隔過大,不能反映水質(zhì)的實(shí)際情況,或出現(xiàn)“失真”、“失敗”而無法判別,或函數(shù)設(shè)計(jì)因人而異,模式難以通用。因?yàn)榈叵滤h(huán)境質(zhì)量評價(jià)與地面水一樣,屬于模式識別問題。盧新衛(wèi)等應(yīng)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(tǒng)方法的不足之處,通過對某地下水環(huán)境質(zhì)量的評價(jià),表明該方法運(yùn)用簡便、精確可靠、可判性強(qiáng)。
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(xiàn)在以下5個(gè)方面。
4.1.1數(shù)值運(yùn)算的局限性
ANN將所有信息處理都?xì)w結(jié)為數(shù)值運(yùn)算,這對于可以數(shù)值化的信息是絕對可行的,但對于一些不能用數(shù)值表達(dá)的信息,將其數(shù)值化,易歪曲原信息的內(nèi)涵,得出錯(cuò)誤的結(jié)論,甚至將信息丟失。
4.1.2隱含層的缺陷
ANN對信息的表達(dá)、存儲、計(jì)算和推理都是隱式的,不能向用戶解釋推理依據(jù)和過程。
4.1.3學(xué)習(xí)樣本的局限性
ANN模型的性能在很大程度上依賴于學(xué)習(xí)樣本的數(shù)量多少和質(zhì)量好壞。如學(xué)習(xí)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(jié)論的可靠性降低。
4.1.4模型的推廣性差
目前ANN的應(yīng)用,都是為某種特定的用途而開展的,其設(shè)計(jì)模型的適用范圍很小,難以推廣。
4.1.5硬件研究滯后
現(xiàn)在ANN還處于算法研究階段,現(xiàn)有的微機(jī)難以完成其運(yùn)算過程,而適用于ANN的硬件研究進(jìn)展十分緩慢。
4.2ANN的發(fā)展趨勢
近年,ANN無論在理論研究上,還是在實(shí)際應(yīng)用中,都取得了突飛猛進(jìn)的發(fā)展。但必須清醒地認(rèn)識到,ANN只是對人腦的簡單模擬,尚有許多問題有待解決。為了改善ANN的應(yīng)用,解決環(huán)境科學(xué)中存在的大量不確定性和模糊性問題,可以采取以下3條途徑:①ANN與專家系統(tǒng)相結(jié)合,實(shí)現(xiàn)符號處理與數(shù)值處理相結(jié)合,使知識的提取、存儲、推理和解釋更接近人腦;②把不同類型的ANN模型以不同形式組合在一起,構(gòu)成一個(gè)新的綜合性ANN系統(tǒng),即"微腦";③將模糊數(shù)學(xué)、數(shù)理邏輯、拓?fù)鋽?shù)學(xué)等結(jié)合到ANN的學(xué)習(xí)規(guī)則中,使其具有求解不確定性、模糊性和似然性推理等問題的能力。此外,研究ANN硬件芯片以提高運(yùn)行速度也是有待解決的重要問題。隨著大規(guī)模集成電路VLSI、光學(xué)與分子器件的發(fā)展、人工神經(jīng)計(jì)算機(jī)的研制,ANN必將會(huì)得到越來越廣泛的應(yīng)用和迅猛發(fā)展。