環境科學人工神經網絡運用論文
1ANN概述
1.1ANN的概念
神經網絡是由大量互連的神經元構成的網絡，而ANN則是利用工程技術手段模擬人腦神經網絡結構和功能，由簡單神經元所構成的非線性動力學系統。
1.2ANN的特征
ANN在模擬人腦，實現智能神經網絡信息處理時具有6項特征。
1.2.1分布式存儲信息
在ANN中，信息(知識)的存儲是按內容分布于大量神經元中，而且，每個神經元實際上存儲著多種不同信息的部分內容。
1.2.2高強的容錯性
在ANN中，由于存在并行處理機制和冗余結構特性，一定比例的神經元(結點)不參與運算，對整個系統的性能不會產生重大的影響，由此，表現出高強的容錯能力。
1.2.3并行處理信息
在ANN中，大量的神經元可以同時對信息進行同樣的處理，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ANN中，每個神經元都兼有存儲信息和處理信息的功能。
1.2.5自學習性
ANN可以對信息自行組織，自行學習，自行適應。經過適應訓練的神經網絡具有潛在的自適應模式匹配功能，能對所學習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
任意的連續非線性函數映射關系都可由某種多層神經網絡以任意精度加以逼近。這種組成單元簡單、結構有序的模型是非線性系統建模的有效框架模型。
1.3ANN的基本結構
ANN作為一個獨立系統，在運行時從外界環境接受信息(輸入層)，經過加工處理后，再將結果輸出到外界環境中去(輸出層)。在信息處理過程中，各神經元間的連接并非是簡單的信號傳送通道，而是可以按神經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參變量，其改變方式由ANN的學習規則(算法)決定。由此可見，ANN的結構由神經元、連接模式和學習規則3個基本要素構成。應用最廣泛的BP網絡在輸入層與輸出層之間增加了隱含層(簡稱隱層)，其中，隱層的層數及結點數量視具體情況而定。
1.4ANN的類型
迄今為止，設計出的ANN模型類型達到40種以上。
2ANN在環境科學中的應用
ANN在環境科學中的應用主要包括環境質量評價和環境系統因素預測兩大領域。
2.1環境質量評價
環境質量評價在本質上屬于模式識別，這正是ANN的特長所在。對某區域的環境質量的綜合評價一般涉及到較多的評價因素，而且，各因素與區域環境的整體質量關系復雜。近年來，會國內學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，把城市環境質量等級標準分為3級，建立BP網絡模型對重慶、雅安、西昌等6個城市的環境質量進行評定，其結果與傳統的灰色關聯法完全一致，且具有不需預處理、精度高等優點。王李管等采用國家有關環境質量標準的有關指標，建立了BP網絡模型，對兩個城市的大氣質量和水質進行環境評價，其結果與模糊數學法和灰色聚類法的結果完全一致。湯麗妮等選取年均降水量、森林覆蓋率、土壤生產力和生物多樣性4項正向指標，災害發生率、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項負向指標，根據區域綜合自然地理狀況和環境特點，將生態環境質量分為4級，應用創建的生態環境質量評價BP網絡模型對某區域的生態環境質量進行評價，其結果與環境質量實況相符。
2.2環境系統因素預測
由于環境系統的因素多種多樣，各因素間的關系復雜以及系統演化的不確定性特別強，因而，如何對環境系統內部關鍵因素與系統狀態關系進行模擬，預報各自的演化趨勢一直是學者們關注的重點。鑒于ANN對復雜系統非線性特征具有很強的捕捉能力，近年來，已有頗多的用于環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性特征，以上海市和崇明縣為實例，建立了沿海區域環境復雜系統預測的BP網絡模型，取得了較好的預測結果，為可持續發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項環境經濟數據建立了BP網絡模型，對2000年環境指標進行了預測。并指出:當外界環境和系統本身性質發生劇烈變化時，BP網絡能提供一種有效的方法來更新模型，實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經濟破壞程度，預測成功率達到100%。李祚泳等建立了應用于環境污染物濃度預測的BP網絡模型，并通過一個大氣污染物SO2濃度的預測實例，證實ANN用于環境污染物預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與遺傳算法相結合的方法，建立了一個智能預報模型。經檢驗結果表明，該方法能夠較好地識別多泥沙洪水的演進規律，合理預報水位、流量和含沙量。
3ANN在水環境質量評價中的應用
3.1地面水環境質量
關于地面水環境質量，根據水域使用目的和保護目標，《國家地面水環境質量標準》(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項評價指標，如總磷含量、溶解氧、CODCr、BOD5等，由此來確定水體的類別。但在實際操作過程中往往出現這樣的情況，即按某些指標應劃分到這個類別，而按另外一些指標卻劃分到另一個類別的相互矛盾的情況，從而給確定該水域環境質量類別帶來困難。張文藝根據ANN具有自學習和自適應能力，最適于處理在已知條件和結果之間無明確關系的數據的特點，建立了BP網絡模型。對水環境質量評價的結果表明，該方法具有評價結果客觀、準確、可靠的'優點。李祚泳、鄔紅娟等的研究也表明BP網絡模型用于水環境質量評價具有客觀性和實用性。劉國東等在比較了BP網絡與Hopfield網絡在水環境質量綜合評價中的性能后，將Hopfield網絡采用模式(圖象)聯想或匹配，使其既適用于定量指標的水質參數，又適用于定性指標的水質參數，從而使水環境質量評價形象化，因此更優于BP網絡。李峰將各評價指標轉化為“二進制”的“1”或“0”，進而將這種二進制引入BP網絡。實踐證實，這種新的BP網絡同樣適用于定量指標的水質參數，也適用于定性指標的水質參數。此外，郭宗樓等將BP網絡用于湖泊富營養化程度評價，李靖建立了高原湖泊水質BP網絡模型，通過實例檢查結果表明，BP網絡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地下水環境質量
目前，用于地下水環境質量評價的方法主要有綜合指數法、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，不能反映水質的實際情況，或出現“失真”、“失敗”而無法判別，或函數設計因人而異，模式難以通用。因為地下水環境質量評價與地面水一樣，屬于模式識別問題。盧新衛等應用神經網絡理論與方法建立了地下水環境質量評價BP網絡模型，克服了傳統方法的不足之處，通過對某地下水環境質量的評價，表明該方法運用簡便、精確可靠、可判性強。
4ANN的局限性及發展趨勢
4.1ANN的局限性
ANN盡管具有許多優點，但也有明顯的局限性，主要表現在以下5個方面。
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，不能向用戶解釋推理依據和過程。
4.1.3學習樣本的局限性
ANN模型的性能在很大程度上依賴于學習樣本的數量多少和質量好壞。如學習樣本太少，或樣本的代表性太差，其性能就會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ANN還處于算法研究階段，現有的微機難以完成其運算過程，而適用于ANN的硬件研究進展十分緩慢。
4.2ANN的發展趨勢
近年，ANN無論在理論研究上，還是在實際應用中，都取得了突飛猛進的發展。但必須清醒地認識到，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的應用，解決環境科學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與專家系統相結合，實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把不同類型的ANN模型以不同形式組合在一起，構成一個新的綜合性ANN系統，即"微腦";③將模糊數學、數理邏輯、拓撲數學等結合到ANN的學習規則中，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題。隨著大規模集成電路VLSI、光學與分子器件的發展、人工神經計算機的研制，ANN必將會得到越來越廣泛的應用和迅猛發展。
【環境科學人工神經網絡運用論文】相關文章：
1.人工神經網絡論文
5.聯系觀的運用論文
本文來源：http://www.nvnqwx.com/shiyongwen/2947065.htm