环境科学人工神经网络运用论文

　　1ANN概述
　　1。1ANN的概念
　　神经网络是由大量互连的神经元构成的网络，而ANN则是利用工程技术手段模拟人脑神经网络结构和功能，由简单神经元所构成的非线性动力学系统。
　　1。2ANN的特征
　　ANN在模拟人脑，实现智能神经网络信息处理时具有6项特征。
　　1。2。1分布式存储信息
　　在ANN中，信息（知识）的存储是按内容分布于大量神经元中，而且，每个神经元实际上存储着多种不同信息的部分内容。
　　1。2。2高强的容错性
　　在ANN中，由于存在并行处理机制和冗余结构特性，一定比例的神经元（结点）不参与运算，对整个系统的性能不会产生重大的影响，由此，表现出高强的容错能力。
　　1。2。3并行处理信息
　　在ANN中，大量的神经元可以同时对信息进行同样的处理，而且是大规模地对信息平行处理。
　　1。2。4信息存储和处理合二为一
　　在ANN中，每个神经元都兼有存储信息和处理信息的功能。
　　1。2。5自学习性
　　ANN可以对信息自行组织，自行学习，自行适应。经过适应训练的神经网络具有潜在的自适应模式匹配功能，能对所学习的信息加以分布式存储或泛化。
　　1。2。6非线性映射逼近能力
　　任意的连续非线性函数映射关系都可由某种多层神经网络以任意精度加以逼近。这种组成单元简单、结构有序的模型是非线性系统建模的有效框架模型。
　　1。3ANN的基本结构
　　ANN作为一个独立系统，在运行时从外界环境接受信息（输入层），经过加工处理后，再将结果输出到外界环境中去（输出层）。在信息处理过程中，各神经元间的连接并非是简单的信号传送通道，而是可以按神经元之间的连接强度系数（权值），对信号作放大或缩小处理。在大多数ANN中，这种连接强度系数是一个参变量，其改变方式由ANN的学习规则（算法）决定。由此可见，ANN的结构由神经元、连接模式和学习规则3个基本要素构成。应用最广泛的BP网络在输入层与输出层之间增加了隐含层（简称隐层），其中，隐层的层数及结点数量视具体情况而定。
　　1。4ANN的类型
　　迄今为止，设计出的ANN模型类型达到40种以上。
　　2ANN在环境科学中的应用
　　ANN在环境科学中的应用主要包括环境质量评价和环境系统因素预测两大领域。
　　2。1环境质量评价
　　环境质量评价在本质上属于模式识别，这正是ANN的特长所在。对某区域的环境质量的综合评价一般涉及到较多的评价因素，而且，各因素与区域环境的整体质量关系复杂。近年来，会国内学者在这方面有较多的报道。例如：白润才等选择废水、废气、废渣、SO2、TSP和居民区昼噪音6项指标作为评定指标，把城市环境质量等级标准分为3级，建立BP网络模型对重庆、雅安、西昌等6个城市的环境质量进行评定，其结果与传统的灰色关联法完全一致，且具有不需预处理、精度高等优点。王李管等采用国家有关环境质量标准的有关指标，建立了BP网络模型，对两个城市的大气质量和水质进行环境评价，其结果与模糊数学法和灰色聚类法的结果完全一致。汤丽妮等选取年均降水量、森林覆盖率、土壤生产力和生物多样性4项正向指标，灾害发生率、水土流失、土壤侵蚀度、干燥度、草场退化率、森林砍伐率、坡度、坡度开垦率和降水分配率9项负向指标，根据区域综合自然地理状况和环境特点，将生态环境质量分为4级，应用创建的生态环境质量评价BP网络模型对某区域的生态环境质量进行评价，其结果与环境质量实况相符。
　　2。2环境系统因素预测
　　由于环境系统的因素多种多样，各因素间的关系复杂以及系统演化的不确定性特别强，因而，如何对环境系统内部关键因素与系统状态关系进行模拟，预报各自的演化趋势一直是学者们关注的重点。鉴于ANN对复杂系统非线性特征具有很强的捕捉能力，近年来，已有颇多的用于环境系统因素预测方面的研究报告。例如：石纯等针对复杂系统的非线性特征，以上海市和崇明县为实例，建立了沿海区域环境复杂系统预测的BP网络模型，取得了较好的预测结果，为可持续发展复杂系统的预测研究探索了一种新的可能方法。王瑛等利用19811992年14项环境经济数据建立了BP网络模型，对2000年环境指标进行了预测。并指出：当外界环境和系统本身性质发生剧烈变化时，BP网络能提供一种有效的方法来更新模型，实现新旧模型之间的转换。蔡煜东等运用三维Kohonen自组织ANN模型分析预测了黄土高原生态经济破坏程度，预测成功率达到100。李祚泳等建立了应用于环境污染物浓度预测的BP网络模型，并通过一个大气污染物SO2浓度的预测实例，证实ANN用于环境污染物预测的可行性和客观性。翟宜峰等采用具有高度非线性识别能力的ANN与遗传算法相结合的方法，建立了一个智能预报模型。经检验结果表明，该方法能够较好地识别多泥沙洪水的演进规律，合理预报水位、流量和含沙量。
　　3ANN在水环境质量评价中的应用
　　3。1地面水环境质量
　　关于地面水环境质量，根据水域使用目的和保护目标，《国家地面水环境质量标准》（GB383888）将其划分为五类。划分方法是在满足基本要求的情况下，制定了30项评价指标，如总磷含量、溶解氧、CODCr、BOD5等，由此来确定水体的类别。但在实际操作过程中往往出现这样的情况，即按某些指标应划分到这个类别，而按另外一些指标却划分到另一个类别的相互矛盾的情况，从而给确定该水域环境质量类别带来困难。张文艺根据ANN具有自学习和自适应能力，最适于处理在已知条件和结果之间无明确关系的数据的特点，建立了BP网络模型。对水环境质量评价的结果表明，该方法具有评价结果客观、准确、可靠的优点。李祚泳、邬红娟等的研究也表明BP网络模型用于水环境质量评价具有客观性和实用性。刘国东等在比较了BP网络与Hopfield网络在水环境质量综合评价中的性能后，将Hopfield网络采用模式（图象）联想或匹配，使其既适用于定量指标的水质参数，又适用于定性指标的水质参数，从而使水环境质量评价形象化，因此更优于BP网络。李峰将各评价指标转化为二进制的1或0，进而将这种二进制引入BP网络。实践证实，这种新的BP网络同样适用于定量指标的水质参数，也适用于定性指标的水质参数。此外，郭宗楼等将BP网络用于湖泊富营养化程度评价，李靖建立了高原湖泊水质BP网络模型，通过实例检查结果表明，BP网络方法能准确反映水体污染程度，具有较强处理相互矛盾影响样本的能力。
　　3。2地下水环境质量
　　目前，用于地下水环境质量评价的方法主要有综合指数法、模糊综合评判法和灰色聚类法3种，但这些方法存在划分间隔过大，不能反映水质的实际情况，或出现失真、失败而无法判别，或函数设计因人而异，模式难以通用。因为地下水环境质量评价与地面水一样，属于模式识别问题。卢新卫等应用神经网络理论与方法建立了地下水环境质量评价BP网络模型，克服了传统方法的不足之处，通过对某地下水环境质量的评价，表明该方法运用简便、精确可靠、可判性强。
　　4ANN的局限性及发展趋势
　　4。1ANN的局限性
　　ANN尽管具有许多优点，但也有明显的局限性，主要表现在以下5个方面。
　　4。1。1数值运算的局限性
　　ANN将所有信息处理都归结为数值运算，这对于可以数值化的信息是绝对可行的，但对于一些不能用数值表达的信息，将其数值化，易歪曲原信息的内涵，得出错误的结论，甚至将信息丢失。
　　4。1。2隐含层的缺陷
　　ANN对信息的表达、存储、计算和推理都是隐式的，不能向用户解释推理依据和过程。
　　4。1。3学习样本的局限性
　　ANN模型的性能在很大程度上依赖于学习样本的数量多少和质量好坏。如学习样本太少，或样本的代表性太差，其性能就会明显减退而使结论的可靠性降低。
　　4。1。4模型的推广性差
　　目前ANN的应用，都是为某种特定的用途而开展的，其设计模型的适用范围很小，难以推广。
　　4。1。5硬件研究滞后
　　现在ANN还处于算法研究阶段，现有的微机难以完成其运算过程，而适用于ANN的硬件研究进展十分缓慢。
　　4。2ANN的发展趋势
　　近年，ANN无论在理论研究上，还是在实际应用中，都取得了突飞猛进的发展。但必须清醒地认识到，ANN只是对人脑的简单模拟，尚有许多问题有待解决。为了改善ANN的应用，解决环境科学中存在的大量不确定性和模糊性问题，可以采取以下3条途径：ANN与专家系统相结合，实现符号处理与数值处理相结合，使知识的提取、存储、推理和解释更接近人脑；把不同类型的ANN模型以不同形式组合在一起，构成一个新的综合性ANN系统，即微脑；将模糊数学、数理逻辑、拓扑数学等结合到ANN的学习规则中，使其具有求解不确定性、模糊性和似然性推理等问题的能力。此外，研究ANN硬件芯片以提高运行速度也是有待解决的重要问题。随着大规模集成电路VLSI、光学与分子器件的发展、人工神经计算机的研制，ANN必将会得到越来越广泛的应用和迅猛发展。