環(huán)境科學人工神經(jīng)網(wǎng)絡運用

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)境科學人工神經(jīng)網(wǎng)絡運用范文，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)絡是由大量互連的神經(jīng)元構(gòu)成的網(wǎng)絡，而ANN則是利用工程技術(shù)手段模擬人腦神經(jīng)網(wǎng)絡結(jié)構(gòu)和功能，由簡單神經(jīng)元所構(gòu)成的非線性動力學系統(tǒng)。

1．2ANN的特征

ANN在模擬人腦，實現(xiàn)智能神經(jīng)網(wǎng)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(nèi)容分布于大量神經(jīng)元中，而且，每個神經(jīng)元實際上存儲著多種不同信息的部分內(nèi)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(jié)構(gòu)特性，一定比例的神經(jīng)元(結(jié)點)不參與運算，對整個系統(tǒng)的性能不會產(chǎn)生重大的影響，由此，表現(xiàn)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(jīng)元可以同時對信息進行同樣的處理，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，每個神經(jīng)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(jīng)過適應訓練的神經(jīng)網(wǎng)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(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作為一個獨立系統(tǒng)，在運行時從外界環(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，這種連接強度系數(shù)是一個參變量，其改變方式由ANN的學習規(guī)則(算法)決定。由此可見，ANN的結(jié)構(gòu)由神經(jīng)元、連接模式和學習規(guī)則3個基本要素構(gòu)成。應用最廣泛的BP網(wǎng)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(shù)及結(jié)點數(shù)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(huán)境科學中的應用

ANN在環(huán)境科學中的應用主要包括環(huán)境質(zhì)量評價和環(huán)境系統(tǒng)因素預測兩大領域。

2．1環(huán)境質(zhì)量評價

環(huán)境質(zhì)量評價在本質(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)量的綜合評價一般涉及到較多的評價因素，而且，各因素與區(qū)域環(huán)境的整體質(zhì)量關(guān)系復雜。近年來，會國內(nèi)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(qū)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)絡模型對重慶、雅安、西昌等6個城市的環(huán)境質(zhì)量進行評定，其結(jié)果與傳統(tǒng)的灰色關(guān)聯(lián)法完全一致，且具有不需預處理、精度高等優(yōu)點。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)絡模型，對兩個城市的大氣質(zhì)量和水質(zhì)進行環(huán)境評價，其結(jié)果與模糊數(shù)學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項正向指標，災害發(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項負向指標，根據(jù)區(qū)域綜合自然地理狀況和環(huán)境特點，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BP網(wǎng)絡模型對某區(qū)域的生態(tài)環(huán)境質(zhì)量進行評價，其結(jié)果與環(huán)境質(zhì)量實況相符。

2．2環(huán)境系統(tǒng)因素預測

由于環(huán)境系統(tǒng)的因素多種多樣，各因素間的關(guān)系復雜以及系統(tǒng)演化的不確定性特別強，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)系進行模擬，預報各自的演化趨勢一直是學者們關(guān)注的重點。鑒于ANN對復雜系統(tǒng)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(huán)境系統(tǒng)因素預測方面的研究報告。例如:石純等針對復雜系統(tǒng)的非線性特征，以上海市和崇明縣為實例，建立了沿海區(qū)域環(huán)境復雜系統(tǒng)預測的BP網(wǎng)絡模型，取得了較好的預測結(jié)果，為可持續(xù)發(fā)展復雜系統(tǒng)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(shù)據(jù)建立了BP網(wǎng)絡模型，對2000年環(huán)境指標進行了預測。并指出:當外界環(huán)境和系統(tǒng)本身性質(zhì)發(fā)生劇烈變化時，BP網(wǎng)絡能提供一種有效的方法來更新模型，實現(xiàn)新舊模型之間的轉(zhuǎn)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(huán)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(jié)合的方法，建立了一個智能預報模型。經(jīng)檢驗結(jié)果表明，該方法能夠較好地識別多泥沙洪水的演進規(guī)律，合理預報水位、流量和含沙量。

3ANN在水環(huán)境質(zhì)量評價中的應用

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(jù)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。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(xiàn)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(huán)境質(zhì)量類別帶來困難。張文藝根據(jù)ANN具有自學習和自適應能力，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，建立了BP網(wǎng)絡模型。對水環(huán)境質(zhì)量評價的結(jié)果表明，該方法具有評價結(jié)果客觀、準確、可靠的優(yōu)點。李祚泳、鄔紅娟等的研究也表明BP網(wǎng)絡模型用于水環(huán)境質(zhì)量評價具有客觀性和實用性。劉國東等在比較了BP網(wǎng)絡與Hopfield網(wǎng)絡在水環(huán)境質(zhì)量綜合評價中的性能后，將Hopfield網(wǎng)絡采用模式(圖象)聯(lián)想或匹配，使其既適用于定量指標的水質(zhì)參數(shù)，又適用于定性指標的水質(zhì)參數(shù)，從而使水環(huán)境質(zhì)量評價形象化，因此更優(yōu)于BP網(wǎng)絡。李峰將各評價指標轉(zhuǎn)化為“二進制”的“1”或“0”，進而將這種二進制引入BP網(wǎng)絡。實踐證實，這種新的BP網(wǎng)絡同樣適用于定量指標的水質(zhì)參數(shù)，也適用于定性指標的水質(zhì)參數(shù)。此外，郭宗樓等將BP網(wǎng)絡用于湖泊富營養(yǎng)化程度評價，李靖建立了高原湖泊水質(zhì)BP網(wǎng)絡模型，通過實例檢查結(jié)果表明，BP網(wǎng)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(huán)境質(zhì)量

目前，用于地下水環(huán)境質(zhì)量評價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)的實際情況，或出現(xiàn)“失真”、“失敗”而無法判別，或函數(shù)設計因人而異，模式難以通用。因為地下水環(huán)境質(zhì)量評價與地面水一樣，屬于模式識別問題。盧新衛(wèi)等應用神經(jīng)網(wǎng)絡理論與方法建立了地下水環(huán)境質(zhì)量評價BP網(wǎng)絡模型，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，表明該方法運用簡便、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，但也有明顯的局限性，主要表現(xiàn)在以下5個方面。

4．1．1數(shù)值運算的局限性

ANN將所有信息處理都歸結(jié)為數(shù)值運算，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)值表達的信息，將其數(shù)值化，易歪曲原信息的內(nèi)涵，得出錯誤的結(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、存儲、計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(shù)量多少和質(zhì)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(jié)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(xiàn)在ANN還處于算法研究階段，現(xiàn)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(fā)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(fā)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(huán)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(tǒng)相結(jié)合，實現(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)成一個新的綜合性ANN系統(tǒng)，即"微腦";③將模糊數(shù)學、數(shù)理邏輯、拓撲數(shù)學等結(jié)合到ANN的學習規(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、光學與分子器件的發(fā)展、人工神經(jīng)計算機的研制，ANN必將會得到越來越廣泛的應用和迅猛發(fā)展。