人工神經網絡的特點有哪些?

????? 近些年來神經網絡在眾多領域得到了廣泛的運用。在民用應用領域的應用，如語言識別、圖像識別與理解、計算機視覺、智能機器人故障檢測、實時語言翻譯、企業管理、市場分析、決策優化、物資調運、自適應控制、專家系統、智能接口、神經生理學、心理學和認知科學研究等等；在軍用應用領域的應用，如雷達、聲納的多目標識別與跟蹤，戰場管理和決策支持系統，軍用機器人控制各種情況、信息的快速錄取、分類與查詢，導彈的智能引導，保密通信，航天器的姿態控制等。

人工神經網絡模型具有并連結構、容錯性、非線性映射等特征，近年來已在河道水流模擬及平面二維流場計算中得到一定的應用和發展。Y.B.Dibike，D.Olomatne ＆M.B.Abbott[1]將神經網絡理論與水動力學模型結合，利用水動力學模型為神經網絡提供網絡學習樣本，再用訓練好的神經網絡對重要河段航深、二維流場中重要位置的水流運動(包括水位、流速、流向以及流量等要素)進行預測，取得了令人鼓舞的結果。神經網絡模型和水動力模型的有機結合避免了水動力學模型計算量大、計算速度慢難以滿足實時預報的要求等問題，同時利用水動力學模型給神經網絡提供訓練樣本，彌補了神經網絡在重要河段和區域缺乏資料而應用受到局限的困難。楊榮富、丁晶和劉國東[2]將流域概化為若干個水庫，利用水量平衡和非線性水庫原理與神經網絡結合，對英國Irwell流域的Salford大學控制站的徑流及以上6個降雨站的觀測資料進行了模擬，模型對流域的日和月徑流時序變化模擬效果較好，對洪水過程模擬尚需進一步的研究。盡管如此，神經網絡理論在河網水沙運動模擬方面還幾乎是空白。目前用于各類模擬及預報的神經網絡模型普遍存在網絡內部參數物理概念不明確，隱層結構難以確定等問題。

　　人工神經網絡與河網在結構上具有許多相似之處，兩者都是由各個內部結構通過并聯或串聯形成一個相互制約的整體網絡結構。通過調整系統內部各個“神經元”之間的相互作用達到系統輸入、輸出之間的最優或平衡，即可達到運用神經網絡模擬復雜河網水沙運動的目的。

1 一般河網概化

　　天然河網水系十分復雜，河流湖泊眾多。根據問題研究的需要、河道湖泊之間的相互關系以及計算的需要，對河網可以作不同的概化，本文對河網的概化主要目的是滿足建立具有河網水沙運動特點人工神經網絡模型的要求。

　　(1)將河網概化為不同非線性水庫相互連接而成的網絡結構。

　　(2)水系中各個水源、沙源(如上游進入河網的來水來沙)作為模型的輸入，水系需要預測站點的水流、泥沙運動過程作為模型的輸出。

　　(3)每層水庫之間相互有關連(如自然狀態下某個上下層之間不存在水流或泥沙交換關系，則在網絡優化中連接權賦0，這樣處理既能較好地反映河網的水沙運動特性，又能滿足人工神經網絡模型的要求)，而處于同一層的水庫沒有水沙交換。

　　(4)第一層節點只是簡單地將河網輸入量輸入到下一節點，節點沒有水量調蓄作用也沒有泥沙量的變化；中間各層節點存在水量調蓄作用并且存在泥沙沖淤變化，而最后一層接受上一層各水庫的來水來沙，模擬結果作為整個網絡的輸出值。

　　(5)非線性水庫的出流與水庫蓄水量之間為非線性關系，對于每一水庫水量及整個河網總水量保持守恒。

　　(6)水庫的輸沙與水庫“蓄沙”之間為非線性關系。對于每一水庫泥沙總量及整個河網總沙量保持守恒。

　　在上述概化條件下，整個河網由河網水源或沙源的輸入、河網內部相互串聯和并聯而成的水庫、河網輸出三部分構成；第一層和最后一層節點的輸入輸出為簡單的線性關系；利用節點輸水輸沙平衡方程和整個河網泥沙和水量守恒關系保證各個節點和整個河網沙量、水量守恒。

2 具有河網水沙特點的人工神經網絡模型

　　傳統BP神經網絡模型是一種簡單的非線性系統模型，通過誤差反傳自動調整網絡內部連接權向量，達到系統輸入、輸出之間的響應。有許多自然現象就屬于這類簡單的關系。例如電力負荷變化與天氣變化、工業狀況等因素之間的關系；年徑流量受年降雨量和年蒸發量的影響；短時段河段出流主要取決于河段進流、區間匯流等。

　　然而，大多數情況下的系統輸出不僅依賴于當時或前期的輸入量，同時也取決于系統的狀態。如在河道發生較大的沖淤變形時，其輸出不僅依賴于系統的輸入量，同時還決定于系統所處的狀態即河道沖淤情況。在這樣的情況下，用傳統BP神經網絡來模擬系統的輸入輸出關系比較困難。另外，傳統BP神經網絡模型是一個“黑箱”模型，內部參數沒有物理意義，也很難找出參數與模型輸出向量之間的關系。因此，用神經網絡理論來模擬河網水流泥沙運動時，不能簡單地利用BP算法，還應考慮河網內各個部分以及整個河網的水量沙量守恒。在概化的河網模型中，每一節點以及整個河網都應滿足水量沙量守恒方程。

　　水流連續方程：

式中：,i為第k層第i個“水庫”的蓄水量；Qki為第k層“水庫”第i個水源出流量；為第k層“水庫”第j個水源進入第k+1層第i水庫的份額，即相應權重；T為時間；N為進入第k+1層水庫的水源數。

　　泥沙連續方程：

式中：VKs,i為第k層第i個“水庫”的泥沙沖淤量；Vki為第k層“水庫”第i個水源出沙量；為第k層“水庫”第j個沙源進入第k+1層第i水庫的份額，即相應權重；S為含沙量。

　　上述兩方程的通用形式可寫為：

式中：,,.

　　式(3)的差分形式為：

則T+1時刻K+1層第i水庫的相互物理量的變化為：

　　一般情況下，水庫或河道水系由于邊界條件或其他外界條件的改變常常引起水流形態和泥沙輸移規律的改變，這種改變往往會引起河道和水庫的輸沙不平衡，水庫或河道發生沖淤變形，從而又導致水流運動和泥沙輸移規律的改變。這種水沙規律的變化以泥沙為“紐帶”，在輸沙平衡與不平衡之間交替變化。因此，水庫出流量和水庫輸沙量應該還要考慮河道沖淤等因素的影響。如以水庫累計沖淤量近似表示水庫的地形，則水庫出流表示為：

同樣，水庫每個節點的泥沙輸出為輸入沙量、水庫地形等因素的函數，表示為：

其中：

　　當水庫沖淤變形不很明顯時，水庫出流可以認為是水庫蓄水量的非線性函數，即T時刻的水庫出流量與水庫蓄水量之間的關系式為：

　　同樣，水庫沖淤不很明顯的條件下，水庫排沙量也可以認為是水庫來沙量的非線性函數，即T時刻的水庫輸沙量與水庫來沙之間的關系為：

　　設網絡第k各層節點數為NK，K為網絡總層數，對第一層節點，其輸入輸出關系表示為：

式中：φin、φ1i分別為第一層節點輸入和輸出量；Wi,j為該層第i節點與下層第j節點之間的連接權；N2為第二層節點的個數。

　　對河網內部第k+1層節點，輸入輸出關系為：

式中φkj,in為K層第j節點的輸入量。

　　對輸出層輸出節點，輸入輸出關系為：

　　由水沙連續方程和水庫排水排沙方程一起組成具有河網特點的神經網絡模型。盡管本文所建立的模型在結構和算法上與傳統的BP神經網絡結構和算法有許多相似之處，但神經網絡理論與水沙守恒方程的有機結合形成的具有河網水沙運動特點的神經網絡模型在許多方面有其本身的特點：

　　(1)考慮水沙的相互作用。水沙非耦合神經網絡模型為泥沙神經網絡模型和水流神經網絡模型組成的整體模型。泥沙模型中各個節點在相同輸入條件下其輸出并不一定相同，受節點沖淤變化的影響；水流模型中的各個節點的輸出同樣受河床累積沖淤量的影響，而此時的河床累積沖淤量必須由泥沙模型得到。

　　(2)網絡結構合理。由于人工神經網絡與河網在結構上相似，可按照河網的復雜程度、模擬需要的精度以及現有河網的數據資料先確定模型網絡，然后再結合網絡計算需要對網絡結構進行一定的修改。這樣既可以滿足神經網絡計算要求，也能在一定程度上反映河網水系之間的相互關系。在本文所建立的水沙非耦合模型中，網絡結構的確定必須同時滿足水流和泥沙模型的要求，即兩模型在結構上既要相同，又要符合兩者各自的要求。

圖1 長江中游概化簡圖

　　(3)網絡結構內部參數的物理意義明確。傳統的BP神經網絡結構內部節點之間的關系是一個“黑盒”，內部參數的物理意義模糊；而本文所建模型中的參數具有明確的物理含義，上下層之間的連接實質上反映了上層節點向下層節點輸入的水量或沙量，即上層對下層節點的影響大小。

　　(4)對每個節點以及整個河網保證水量和沙量的守恒。傳統的BP神經網絡結構每個節點只考慮了其非線性作用，未考慮節點以及整個河網的物質是否守恒。本文模型從水流和泥沙連續方程出發，建立的模型反映了水流泥沙運動的客觀規律。

　　(5)在本模型中，蓄水量及淤積量和輸出水沙量隨上下游條件不斷變化，這種變化可以較好地反映河網水沙運動中邊界條件的變化對網絡輸入與輸出的影響，避免了傳統BP神經網絡模型難以考慮系統狀態影響的缺陷。當河道或水庫淤積量增加，可通過自動調整來調節河道的水沙輸出量，如果不考慮這種影響，在同樣進流進沙條件下，其產生同樣的出流和出沙，這都會過高或過低估計出流出、出沙。

　　(6)若不考慮水庫蓄水量和排沙量隨時間的變化，則模型與傳統BP網絡相一致。

3 模型應用實例 3.1 長江中游荊江和洞庭湖河網區概況 洞庭湖平原區位于長江中游荊江河段南岸，北面有松滋、太平、藕池三口分泄長江洪水進入湖區，西南有湘、資、沅、澧四水入匯，洪水經過湖區調峰后經洞庭湖出口城陵磯注入長江干流。洞庭湖經過長期演變已由原來的八百里洞庭演變成為今天的東洞庭、南洞庭、西洞庭以及與之相連的縱橫交錯的洪道(如圖1所示).洞庭湖流域是一個以洞庭湖為中心，從四面八方向中央匯流的輻射狀河網，不同水系有不同的地貌和氣象特征，洪水組成及遭遇非常復雜，洪水歷時特別長，最早出現在3月，遲者可至10月，主汛期一般為5～8月。這種錯綜復雜的洪水遭遇，互相頂托，使不同來源的洪水在交匯處產生壅積，水位異常抬高，大大加劇了局部地區洪災的威脅。為了充分反映四水不同的來水來沙過程對洞庭湖區水沙運動變化的影響，在模型中必須將四水作為四個不同的獨立影響因子，分別作用于河網區。另外，為了將水流網絡結構和泥沙網絡結構相互配套，文中將區間匯流按比例分配給四水來水。

圖2 長江中游網絡概化模型

　　從荊江洞庭湖區水流泥沙運動特點和河道蓄水垸的特征將荊江洞庭湖區劃分為8個相互聯系的區域以及湘、資、沅、澧4個洪道區域(如圖2所示).這12個區域分別為：區域Ⅰ：松滋河(包括東、西兩支)、大湖口河、自治局河、管垸河、虎渡河水系；區域Ⅱ：藕池河的西、中兩支水系；區域Ⅲ：藕池河的東支水系；區域Ⅳ～Ⅵ分別為：西洞庭湖(目平湖)水系、南洞庭湖水系、東洞庭湖水系；區域Ⅶ：枝江～藕池口河段；區域Ⅷ：藕池口～螺山河段；區域Ⅸ～Ⅻ分別為：湘、資、沅、澧4個洪道區域。

3.2 模型結構 由上述荊江及洞庭湖區基本情況分析可知：荊江及洞庭湖區是由區域Ⅰ～Ⅻ等12個區域通過串聯或并聯而成的相互聯系的整體網絡結構，河網區的輸入輸出就是通過這些區域的相互調節達到匹配。在不影響河網基本地理及水流特征的條件下，按照神經網絡的結構要求對前文所分區域進行適當的調整，如將區域Ⅸ～區域Ⅻ分為上下兩部分以及將區域Ⅷ分為三部分等。神經網絡節點與河網區域之間的對應關系如表1.

　　根據神經網絡結構要求，上下各個節點之間相互有聯系。但從物理意義上來看，河網上下區域并不是都有必然聯系。因此，本文將上下區域沒有必然聯系的點之間的權重強加為0，這樣使模型既滿足神經網絡結構的要求，又符合河網水流運動規律。如區3除與區11有水量交換外，與第三層其余節點之間沒有水量交換，故在模型中可以賦0.另外為簡化起見，三口來流合并為一個來流，故荊江與洞庭湖之間的關系可以概化為與圖2相似的網絡模型。

　　由概化模型結構圖可知，本文用來模擬洞庭湖水流運動的網絡為一個6層網絡結構。第1層為6個節點，分別代表宜昌+清江來流、四水來流；第2層～第5層為模型隱層，分別有6、7、3、2個節點；第6層為1個節點，代表螺山出流。

從神經網絡結構要求來看，神經網絡輸入節點數為影響輸出變量的個數，輸出變量的數即為輸出節點的個數。而隱單元數的選擇是一個十分復雜的問題，往往根據設計得的經驗和試驗來確定，因而沒有一個很好的解析式來表示。可以說隱單元數與問題的要求、輸入輸出單元的多少都有直接關系。隱單元數太多導致學習時間過長，誤差不一定最佳；隱單元太少，容錯性差，不能識別以前沒有看到的樣本。隱單元的選取決定了網絡性能的好壞，因此就存在一個隱單元數的選取問題。文獻[3]提供了隱層節點數參考公式；式中：m為輸出神經元數，n為輸入單元數，a為1～10之間的常數。

　　由此可見，本文采用6層隱層、隱層節點數同時，也符合網絡結構的要求。鑒于人工神經網絡與河網在結構上相似，將神經網絡結構確定方法同河網本身的水系結構有機聯系起來共同確定網絡結構，可以大大節省工作量，給網絡結構的確定提供了一種新的方法。

表1 模型節點與河網區域之間的對應關系

2.3 城陵磯水沙過程模擬 本文利用洞庭湖1981年～1983年及1984年宜昌、四水以及螺山出口日平均水流資料，區間匯流資料根據資料用區間匯流與三口四水來流總量的比值確定。1981～1983年資料作為模型率定資料，1984年作為檢驗資料。為了防止部分神經元達到過飽和，對以上資料進行了規格化處理。

　　荊江和洞庭湖之間的演變關系是通過三口分流分沙作為紐帶，三口分流分沙變化對荊江和洞庭湖的水沙變化起著關鍵性的作用。因此，模型要比較好地反映荊江和洞庭湖的演變發展，在模型訓練過程中必須充分、正確地反映三口分流分沙變化規律。圖3為1984年計算流量過程與實測流量過程比較。由圖可知：用本文所建立的河網水情預報模型來模擬1984年流量過程時，模型模擬的流量過程基本上與實測流量過程變化一致，平均誤差小于3%，最大誤差小于6%.因此，本文所建立的河網預報模型基本上能夠反映河網水流變化規律。

圖3 計算與實測量過程比較	圖4 計算與實測輸沙量比較

　　本文用洞庭湖1954年～1988年三口、四水以及城陵磯出口年平均輸沙量資料，來率定網絡各個連接權重。由于洞庭湖區多年情況淤積率保持在74%左右，各個湖區淤積率也基本未發生大的變化，可以認為洞庭湖區的淤積對湖區泥沙淤積速率影響不大。圖4為1954～1988年35年城陵磯計算輸沙量過程與實測過程比較結果。

　　由圖4可見，計算結果與實測結果誤差在要求的范圍之內，能夠較好地反映城陵磯輸沙過程，表明本文建立的具有河網水沙運動特點的神經網絡模型能夠用于洞庭湖區泥沙輸移規律的分析和模擬。

4 結論

　　河網水沙運動復雜，傳統水動力學數值方法在模擬河網水沙運動時很難達到實時預報的要求，對河網地形資料較缺乏的情況應用也比較困難。由于河網結構與神經網絡結構相似，其輸入輸出關系也基本一致，因此用神經網絡能夠較好地模擬河網水沙運動狀態。鑒于傳統BP神經網絡模型存在網絡結構確定困難、內部節點參數物理意義不明確等缺點，本文從水沙運動的連續方程和槽蓄方程出發，建立了能反映水沙基本規律，內部節點物理意義清楚的河網神經網絡模型。利用所建模型對長江中游水沙運動宏觀規律進行模擬，模擬結果表明本文模型能夠較好地反映客觀水沙輸移規律。