BP神经网络算法基本原理,bp神经网络算法的优点

BP神经网络(误差反传网络)

虽然每个人工神经元结构简单, 但通过将多个这样的单元按照特定的方式组织起来就能形成一个能够处理复杂信息的人工神经网络. 使用基于 BP 算法构建的多层前馈网络体系是目前应用最为广泛的人工神经网络模型, 并被简称为 BP 神经网络.

它的最大功能就是能映射复杂的非线性函数关系。

在已知的模型空间及数据空间中，在任意一个确定的情况下我们都可以明确知道某个具体的模型及其对应的数据点。然而这些变量间的精确数学表达式却难以直接建立。但若能获得足够多的一一对应的训练样本集合则可以通过BP神经网络来建立近似的数学关系模型

该三层BP网络结构如图8.11所示，在其中包含了输入节点、中间节点以及输出节点。其作为最常用的神经网络模型具有重要地位。通过理论分析可知，在当前情况下该三层网络已经具备了任何复杂形式的连续函数关系的能力。仅当处理不连续的函数映射（例如锯齿波）时才需要引入第二个隐藏层[8]

图8.11所示中

图8.11所示为三层BP网络[8]。BP算法的核心概念在于通过预先设定对应的一组输入输出样本数据对模型进行训练。其学习机制主要包含正向信息传递和反向误差修正两个阶段。

在正向传播过程中，输入样本从输入层传递到各隐层，并经过逐层处理后传递至输出层。当输出层的实际输出与预期的目标（教师信号）存在差异时，则会触发误差信号的反向传播过程。

通过隐层神经元将输出误差逆向传递到输入层，并将其分配给各层的所有神经元从而得到各层的误差反馈信号；这些信息可用于调整各层神经元权重参数（参考韩立群所著文献[8]）；通过反复使用输入输出样本集进行权重更新直至实现所有输入样本输出结果均达到预期精度水平）。

该流程可被称作网络的学习训练行为。完成时，它相当于建立了输入输出样本间的函数关系。

在地球物理勘探领域中, forward modeling process can be mathematically expressed as d = f(m) (8.31). The corresponding inverse function is defined as m = f⁻¹(d) (8.32). Acquiring this inverse function represents the successful resolution of the inverse problem.

通常情况下

针对地球物理反问题而言，在模型空间内将观测资料视为输入量，并将其作为输出量，在预先生成足够多的样本用于前向建模过程之后获得了相应的模拟观测资料集合；随后通过这些模拟观测资料对BP神经网络进行了系统性训练；经过上述训练后所建立的BP神经网络系统地相当于求解该类地球物理反问题的数据逆函数。

可以用BP神经网络实现反演功能，并将输入的观测数据作为输入传递给该网络，则其将输出与之相对应的模型。为了使该算法能得以实施，在建立模型之前必须对其进行学习和训练阶段。然而，在这一过程中还需要耗费大量的人力物力时间：生成这些样本则需要耗费大量的人力物力时间（即正演计算），而整个学习与训练的过程也需投入大量的人力物力时间）

但是，在经过充分训练后，在反演过程中的计算时间可忽略不计。为了使BP神经网络较好地映射函数关系,需具备具有代表性的样本数据,然而,因模型空间具有无限容量,难以构建具有广泛代表性的样本集合.

基于这些样本所训练出的BP网络模型，在某种程度上仅能体现这些样本所在的数据空间以及模型空间之间的函数关系，并不能对超出这些范围的数据进行有效的反演处理。

当前BP神经网络在单维反演中得到了广泛应用，在双维及三维度反演的运用则相对较少。主要原因在于生成涵盖性较强的数据集较为困难。

谷歌人工智能写作项目：神经网络伪原创

BP人工神经网络方法

（一）方法原理人工神经网络体系是由庞大数量的仿生于人脑神经元结构的基本处理单元通过复杂的方式进行广泛连接而形成的人工神经网络体系**AI爱发猫** 。研究表明，在信息处理能力方面，人工神经网络体系在信息处理效率和准确性方面优于传统模式识别方法。

人工神经元构成了 neural networks 的核心 processing module；其接收的信息包括 x_1, x_2, …, x_n；其中 \omega_{ij} represents the synaptic strength connecting the i-th neuron to the j-th neuron.

神经元接受来自输入向量X＝（x₁,x₂,…,xₙ）与其权值矩阵W＝｛ω_ij｝执行内积运算。计算结果将被与预先设定的阈值进行比较，并随后通过预设激活函数f进行处理。从而得出该神经元最终输出Oi。

常见的激活函数为Sigmoid型。

人工神经元的输入输出关系在地球物理勘探概论中：xi即n维输入矢量X的第i个分量；ωi代表第i个输入与处理单元之间的互联权重；θ是处理单元内部阈值参数；y是处理单元产生的输出结果。

主流的人工神经网络是BP网络模型，在神经网络体系中占据重要地位。该算法作为监督型模式识别方法，在数据处理过程中主要包括学习阶段与识别阶段两个主要环节；其中学习环节又可分为正向传播阶段与反向传播阶段两个子过程。

在正向传播启动时，在所有连接权值上设定随机数值作为初始值。随后从选定的模式集中任选一个模式作为输入，并进入隐含层处理，在输出层获得该模式对应的结果。各层神经元的状态仅影响相邻下一层的状态。

此时，在输出端与期望端之间存在着显著的偏差度；必须经过误差反向传递的过程进行计算各层神经元权值的变化量。这一过程会不断重复下去，并最终导致每一轮训练中权重变化量Δωij的更新。

经过对网络中各神经元权值的修正后, 网络又按照正向传播方式进行计算得到输出结果. 实际输出与预期目标之间的差异将引发新的权值调整过程. 正向传递和反向传递的过程不断循环往复, 直至达到收敛状态.

（二）BP神经网络计算步骤如下：首先设定初始连接权值和阈值为一个微小的随机数值，并表示为W(0)和θ(0)；其次引入一个训练样本X进行处理。

（3）在前向传播过程中确定实际输出值, 即通过输入样本的数值、网络中的权重参数以及激活阈值, 计算出各层神经元的最终输出结果。

其中：输入层的输出等于输入样本数据；隐含层与输出层的输入来源于地球物理勘探概论的内容；式中：f代表阈值逻辑函数；其中一般取Sigmoid函数作为默认选择；即θj代表阈值或偏置参数；而θ0常用于调节Sigmoid函数曲线的整体形态

当θ0较小时，Sigmoid函数趋向于阈值逻辑单元的特征；而当θ0较大时，则会使得该函数趋于平缓状态。通常建议选择θ0=1作为默认值。

在地球物理勘探理论中，计算实际观测结果与理想预期值之间的差值。其中tpk代表理想输出值，而Opk代表实际观测到的输出值。p表示样本编号，k表示输出层节点编号。

（5）通过反向传播算法调整权重，并在...模型中进行优化。（6）检测收敛性：若误差小于设定阈值，则结束；否则返回至步骤（2）。

（三）塔北雅克拉地区BP神经网络预测实例基于塔北雅克拉地区S4井的数据选取氧化还原电位以及放射性元素Rn、Th、Tc、U和K共计7项特征指标作为分类识别依据。

在局部构造起伏变化中，构造面起到反映作用；其中局部隆起部位可视为油气运移与富集的理想区域；该区域也常被用作判别含油气性的重要指标之一

在该地区采用了多种方法进行探测活动包括高精度地磁测控技术以及土壤微磁技术等，并对部分未能作为判别特征的样本进行筛选其主要原因在于这些样本与其他指标并无直接关联

在应用神经网络进行判别之前, 运用K-L变换(Karhaem-Loeve)来进行分析提取特征. S4井分布于测区西南部的5线25点位置, 仅限于区内已知的唯一一口井.

该井位置在侏罗系地层中发现了40.6米厚的得油层，在震旦系地层深处（5482米），该位置发现了58米厚的得油层。

选取位于S4井周边区域的具体来说即4至6号钻井线段上的23至25号采样点 用于构建已知存在油气区域的训练数据集 由于该区域内尚未见到新的探油井 只能依据地质勘探报告的结果 必要时选择14至16号钻井线段上的55至57号采样点 作为模拟无油区域训练用例

BP网络经过17174次训练周期的训练后，在测试集上的平均误差达到了极低的0.0001（约为百万分之一），并且表现出良好的学习效果。通过训练后的网络模型对未知样本进行分类测试，在测试集中获得了95.8%的准确率。

根据刘天佑等（1997）的研究显示

什么是BP神经网络？

。

BP算法的主要原理包括其学习机制主要包括信号正向传递与误差反向传播两大核心环节；在正向传播过程中, 输入样本从输入层传递至各隐含层, 经过逐步推进完成信息传递至输出层.当输出层的预测结果与预期目标存在偏差时, 将这一偏差作为调整反馈信号, 逆序传递至各层次进行修正.并对神经元之间的连接权矩阵进行相应的优化调整, 从而使系统预测精度得到提升.

经过长时间的学习过程, 我们最终将误差降低至可接受的水平。
具体来说，在训练过程中, 我们会按照以下步骤操作:
1. 从训练集中选取一个样本, 将其信息输入网络中.
2. 通过各节点之间的连接关系进行正向逐层处理后, 网络会输出实际结果.

3、衡量网络预期结果与实际结果之间的差异程度。
4、通过反向传播算法，在每一步骤中按照特定规则更新各层之间的权重参数以减少预测偏差。

针对训练集中每一个输入-输出样本对执行前述流程直至训练数据集的总体误差降至预期水平。

bp神经网络用啥算法？

试着找一个实例来计算并推导整个过程较为复杂。神经网络对模型的表达能力依赖于优化算法；其中，在Fluid框架中使用的优化器种类繁多。具体来说；优化过程是通过不断计算梯度来调整模型参数以提高性能的。

在训练网络的过程中，在线梯度下降算法中会经历两个关键阶段：一个是前向传播过程，在这一过程中系统会根据当前参数状态对输入数据进行特征提取；另一个是反向传播过程，在这一过程中系统会对这些特征进行误差回传并更新模型参数以降低预测误差。与此同时，在这一过程中，“参数更新”的机制能够确保模型逐步逼近真实数据分布的特点。

基于链式法则实现了反向传播，在神经网络中用于求取多个复合函数（如多个隐藏层之间的映射关系）的整体梯度值，并通过将输出层误差信息逆向传递至输入层的过程中不断更新各层参数以优化模型性能。BP算法引入了隐藏层结构后使得网络模型具备了更强的学习与逼近复杂非线性关系的能力。

但如Minsky和Papert当年所指出的那样．尽管对于可以用仅含一层神经元（无隐层）网络解决的问题而言存在非常简单的学习规则--即基于Widrow和Hoff在1960年提出的发展起来的Delta法则而形成的简单感知器的学习机制．然而，在早期的研究中并未发现同样有效的带隐层的学习机制．

此问题的研究得到了三个主要的结果。一种是基于简单无监督学习原则的竞争性学习模型．该模型虽然具有一定的适用性．但因缺乏外部信息而导致隐层结构的选择存在一定难度。第二种途径则采用了假设的方法来描述隐层的表示形式．这种做法在特定条件下被视为合理的方法

另外一种方式是通过统计方法建立一个学习机制以便有效地实现适当的状态表示。Hinton等人（1984年）所提出的Boltzmann机属于这类方法的经典代表。它要求神经网络能够在两种不同状态间达到动态平衡，并且仅限于对称结构的设计。

Barto和他的同事(1985年)提出了另一条利用统计手段的学习方法。

但迄今为止，在深度学习领域中最具影响力和实用性的是Rumelhart、Hinton以及Williams三人于1986年提出的通用Δ法则（即反向传播法），其中最为著名的便是BP算法。

Parter（1985）也独自开发过类似的算法，并将其命名为学习逻辑。此外,Lecun（1985）也开发出了大体上相似的学习规则

(1) BP算法的学习阶段包含哪些步骤？(2) 请阐述BP神经网络的数学模型构建过程，并具体说明其中参数设置为多少

基于误差逆传播算法设计而成的bp（backpropagation）网络是由rumelhart及其领导下的mccelland研究团队于1986年首次提出。该算法通过多层前馈结构实现了信息在各层之间的高效传递与优化调整，在当前领域中被广泛采用并认可的主流模型之一。

该种神经网络能够存储大量输入-输出模式之间的映射关系，并无需预先明确描述这些模式之间关系的数学表达式。其学习机制基于最速下降法，并通过反向传播算法不断优化网络权重与激活阈值以实现目标函数的整体最小化。

该BP神经网络模型架构由输入层（input）、隐藏层（hidden layer）以及输出层(output layer)构成。人工神经网络可被视为模仿人类思维方式的一种替代方法。

该系统属于非线性动力学领域,其主要特点体现在信息以分布式形式存储以及各组成部分间的并行协作处理上。尽管单个神经元在结构上极为简单,在功能上也较为有限,但由大量神经元组成的网络系统的功能表现却异常丰富多样。

人工神经网络必须按照特定的学习准绳进行训练后才能发挥作用。例如采用人工神经网络对手写" a "和" b "两个字母进行识别测试,规定当输入为" a "时应输出数值1,而当输入是字母' b '时系统输出数字0。

其准则是：若网络做出错误的判断，则通过学习过程使网络系统降低未来出现同样错误的概率。

首先，在该神经网络模型中各连接权重参数初始化为(0,1)区间内服从均匀分布的随机数值。随后将图像模式a输入至该网络系统中，在经过加权求和计算输入信号的综合强度；随后与预设阈值进行对比；最后执行非线性变换以生成系统的最终输出结果。

在这种情况下，在面对输入数据时（或在这种情况下），网络输出结果分为两种可能性：1和0的概率均各占50%，这表明其行为完全是随机的。当输出结果是1（即预测正确）时，则会提升相关连接权值的大小；这样设计的目的在于确保当系统再次处理到输入模式a时（或遇到类似情况），仍能准确做出判断。

若输出值为0，则需调整网络的连接权值朝向减少综合输入加权方向进行微调；其目的是为了使网络在再次遇到'a'模式输入时降低产生相同错误的风险。

适当的操作调整下，在反复输入一定数量的手写字母" a "、" b "之后，在上述学习方法训练后, 网络判断的正确率将显著提升

这一说明表明该网络对这两个特定模式的学习已经取得了显著成果。这些模式已经被该网络有效地分布在各个连接权值上。当该网络再次遇到任何一个特定模式时，它能够迅速且精确地进行判断与识别。

通常情况下，在一个网络中神经元数目越多，则其对记忆与识别模式的能力也随之增强；如图所示的拓扑架构中所示的单隐层前馈网络也被称作三层前馈网络或三层感知器即输入层中间层（其中隐层）以及输出层

它的显著特点是：每一层级中的神经元仅与其前后层级中的全部其他神经元建立全连接关系，在同一层级内部则没有任何直接联系，并且不同层级间的神经元间不存在回环或反馈式的联系。这些特征共同构成了一个层次分明的前馈型人工神经系统架构。

仅限于处理线性可分问题的单层前馈神经网络难以应对复杂场景下的任务需求；而要想有效解决那些具有高度非线性特征的问题，则必须依赖于包含隐层设计的多层次架构体系的支持。该研究领域极为丰富，并且充分展现了多个交叉学科技术领域的汇聚与融合特性。

我们的核心研究领域涵盖以下几点：包括对神经细胞等的基本探究。（1）生物原型研究。涉及生理学、心理学等多个学科领域的深入分析与探索；（2）建立理论模型框架。

基于生物原型进行探究性分析以构建神经元及神经网络的理论体系。该体系涉及概念型模组、知识型模组、物理-化学型模组以及数学型模组等多种类型。（3）其中重点研究网络型模组与算法设计部分

基于理论模型构建具体的神经网络架构，并通过该架构实现计算机模拟或用于硬件开发（4），涵盖网络学习算法的研究内容。这方面的工作也称为技术模型研究。

基于网络模型和算法的研究基础之上，在实际应用领域中通过人工神经网络构建相应的技术体系。如实现特定信号处理或模式识别功能，并在此基础上发展出专家系统构建等其他相关技术。

回顾当代新兴科学技术发展的历程

神经网络可用于执行分类任务、进行聚类分析以及解决预测问题。神经网络需要充足的历史数据作为基础，并基于这些历史数据进行训练以提取其中隐藏的知识特征。

对于你提出的问题，在识别特定问题及其相关属性的同时，请匹配相应的评价指标并用于训练神经网络模型。尽管bp网络在应用上取得了显著成效, 但其自身仍存在一些局限性与不足, 主要体现在以下几个方面的问题.

在开始之前，在固定的学习速率下，在固定的学习速率下，在固定的学习速率下，在固定的学习速率下，在固定的学习速率下，在固定的学习速率下，在固定的学习速率下，在固定的学习速率下，在固定的学习速率下

针对一些复杂的问题而言，在使用BP算法时所消耗的时间可能会比较长；其主要原因之一是其学习速率过低；可以通过灵活调整的学习速率策略优化过程以达到改善的效果。

此外，在使用BP算法时可以使权值能够收敛到某个特定值；然而，并不能保证该值是误差平面全局最小点的位置。这种现象的根本原因在于梯度下降法在优化过程中可能会陷入局部极小点之中。针对这一问题可通过引入动量项的方法加以有效解决。

再次指出，在确定网络隐含层的层数与单元数量时缺乏理论指导原则，在实际应用中通常基于经验或经过多次实验来设定参数配置以达到理想性能目标；这种做法往往会带来较大的参数冗余度，并相应地增加了模型训练过程中的计算负担；此外需要注意的是该类网络模型在学习与记忆能力方面存在一定局限性或易受外界干扰因素影响而导致性能下降风险

这表明，在引入更多学习样本的情况下，在已经训练好的神经网络中需要重新进行训练操作。值得注意的是，在这种情况下前一阶段所取得的权重参数和阈值是会被遗忘的。然而，在实际操作过程中可以选择性地保留那些在预测、分类或聚类任务中表现优异的权重参数。

极端气温、降雨-洪水模型(BP神经网络)的建立

极端气温、降雨与洪水之间有一定的联系。

基于1958～2007年间广西西江流域的极端气温与极端降雨数据，并结合梧州水文站洪水观测信息，在第5章相关分析的基础上确定了对梧州水文站年最大流量具有显著影响作用的关键测站（如表4.22所示）的极端气候要素为输入变量，进而构建人工神经网络模型进行预测研究

4.5.1.1 BP神经网络概述（1）基于BP算法构建的多层前馈网络模型遵循BP算法原理发展而成，在当前神经网络领域中具有最广泛应用的技术特征。在多层次前馈网络的实际应用过程中（如图4.20所示），三层结构体系因其广泛的适用性而备受重视，该体系主要包括输入层、中间隐藏层以及输出层三个关键组成部分。

图4.20所示的是典型的三层BP神经网络体系架构，在其前馈传播过程中, 输入信息依次从输入层经过中间隐含层逐步传递至输出层, 其中信号沿着从前一层到后一层的方向传递

如果输出层未能实现预期输出，则转而进行反向传播，在回传路径上重置误差信号，并通过调整各层神经元的权重参数来优化模型以使总的误差达到最小值。BP算法的具体流程如图4.21所示。

通过观察图4.21可以看出，在BP学习算法中, 各层权重的调整主要由三个主要因素驱动: 具体包括学习率, 该层产生的误差信号以及输入变量y(或x)的变化情况。

其中, 输出层误差信号与网络期望输出与实际输出之间的差异相关, 并直接反映了输出误差; 各隐层的误差信号均与前面各层的误差信号相关联, 并是从输出层开始逐层反传过来的.

1988年，Cybenko指出两个隐含层就可表示输入图形的任意输出函数。

当BP网络仅有两个隐藏层，并且各层的单元数量分别为n, p, q和m时，则该网络可表示为BP(n, p, q, m)

区域极端气温与极端降雨对年最大流量过程的影响具有复杂的概化过程链条

可将其抽象为小规模的水系统，在该系统中，主要影响因子可以通过分析这些关键站点的极端气温与降雨情况来体现；无需考虑对年最大流量影响较小的站点。

BP神经网络是一个非线性系统，并且能够模拟与近似非线性映射关系以及较为复杂的函数关系。极端气候-年最大流量水系统的构成是一个极其复杂的映射关系，并且可将其概括为/视为一个整体。

BP神经网络是一个非线性系统，并且能够模拟与近似其对应的多种类别的函数映射关系。极端气候-年最大流量水系统的构成也是一个极其复杂的动态过程，并且可将其概括为/被视为一个整体结构体

该系统在结构上与研究流域的极端气候-年最大流量水系统具有相似性，并且通过BP神经网络模型对其实施模拟预测。

(3) 确定隐含层单元数的方法受具体研究领域的影响。目前尚未形成统一的标准或方法。一般通过试错法来决定。

在训练中网络的收敛基于输出值Ykp与实测值tp之间的误差平方和进行控制；研究者认为，在当前情况下尽管BP神经网络仍为一个黑箱模型（其参数缺乏水文物理意义），但在本节的研究中拟通过极端气候空间分析的结果来指导隐含层神经元数量的选择。

BP神经网络模型算法在选择传递函数时面临具有较长的时间周期需求、无法进行有效的训练过程以及容易陷入局部最小值的问题。可以通过加入动量项并配置自适应学习率来改进这一情况。

本节应用具有自适应学习率特性的MATLAB工具箱中的traingdm( )函数来进行反向传播算法训练

模型数据经过归一化的处理过程应用于BP神经网络中，在建立神经网络模型时会考虑到输入层所涉及的各种物理量及其数值差异较大这一问题特点。为了提高训练效率并保证算法的有效性，在实际操作中通常会采取将原始数据映射到一个较为紧凑的数据范围的做法。经过归一化的处理后，在实际操作中通常将原始数据映射到0至1之间以实现对各维度特征值的有效标准化处理。

在本节中，我们将年极端最高温度的数据乘以一个系数为-4的比例；而对于极端低温数据，则采用-2倍的缩放比例；在日降雨量最大值（包括1d、3d、7d）方面，则采取\times 1e-3的方式进行归一化处理；特别地，在梧州水文站的最大流量数据中，则采用\times 1e-5的比例；其余所有输入数据按照相同的策略进行归一化处理

(6)年最大流量修正后, 梧州水文站以上流域集水面积达到327,000 km², 其中在广西境内的流域集水面积约为20,240 km², 占该区域流域集水面积的约61.91%。

基于上述分析，在2003至2007年间选取梧州水文站的年度最大流量以及红水河天峨水文站的年度最大流量。随后依据公式4.10分别计算各年度对应的贡献率（见表4.25）。将这些结果取算术平均值作为评估区域——广西西江流域极端降雨对梧州水文站年最大流量影响的综合表现。经过上述计算过程得到的结果表明，该地区的极端降雨对梧州地区的径流具有显著的影响作用。

在建立"年极端气温、降雨与梧州年最大流量模型"的过程中, 应将平均贡献率与梧州水文站年最大流量的乘积作为模型输入中的修正参数, 而预测出的结果则应等于输出结果除以平均贡献率76.88%, 以此来弥补因研究范围与区域集水面积不一致所导致的影响。

4.5.1.2 年极端气温、年最大 1d 降雨与梧州年最大流量的 BP 神经网络模型 (1) 的构建基于 1958～1997 年间记录的极端最高气温、极端最低气温以及年度最大降水量的数据，并结合梧州水文站年度最大流量信息训练该模型

以梧州气象站所在地区的年最大最高气温数据作为输入，在桂林、钦州等城市气象站收集的年最小最低气温观测数据作为输入数据；在榜圩、马陇等监测点配置的年最大单日降雨量观测资料作为输入数据；通过建立（19,p,q,1）结构的BP神经网络模型实现梧州水文站年最大流量预测功能；其中隐层神经元数量p和q分别取值为16和3；并采用tansig函数作为第一隐层与第二隐层的激活函数；输出层则使用线性传递函数进行计算；选择traingdm算法进行训练，并设定学习率为0.1、动量因子为0.9；同时设定目标误差阈值为0.0001，并允许最多2百万次迭代次数以保证模型收敛稳定

BP网络模型参数见表4.26，结构如图4.22所示。

图4.22与图4.26分别展示了梧州地区不同时间段内气候要素与水文特征的关系

在14条支流中设置了雨量站点（表4.27），当出现极端降雨时，在梧州地区各条支流交汇处形成了复杂的气象环境，在这一过程中极端温度的变化对极端降雨造成的蒸发量产生了影响，在该区域内的II、III、IV三个自然分区中设置了雨量监测点

此过程可与BP神经网络结构进行类比分析（表4.28），其中14条支流对应于第一隐含层中的14个神经元；这两个指标对应于第一隐含层的两个神经元；而对应的三个区域则反映为第二隐含层的三个神经元；此外，在人工神经元中起作用的是影响值以及各支流流量的奉献值参数；从整体来看这种类比使BP网络结构具有较高的透明度

表4.27 采用位于该支流的雨量站进行参数选择表 表4.28 BP神经网络结构及其物理意义对照表 (2) 训练效果评估 选取了40组数据作为训练样本，在连续113617次迭代优化后，模型收敛并满足预期精度水平。

在终端界面中启动指定的运行指令，在控制台界面中执行相应的操作步骤；该系统随后进入自主学习与数据训练过程，并且其具体的动态变化可以通过图4.23进行详细展示；该系统的训练结果见表4.29中的统计数据分析以及图4.24中的实验图形结果展示。

表1-15年最大流量的训练结果

从训练样本检验结果（表4.5）显示：在1958至1997年的4O年间段内,"年度最高流量"的模拟值与实际观测值之间的相对误差低于I O%,共有3O个年度的数据满足这一条件;而相对误差低于2O%,则全部I O O个年度的数据均满足这一条件,并且整体合格率达到百分之百

分析该预测系统基于'气候要素包括年度极端气温及每日最大降雨量'的计算结果与实际观测值之间的差异较小；同时指出该模型具有较好的泛化性能，并且能够较好地适应不同区域的气象条件变化；最后强调其模拟精度较高且具有较高的可靠性。

在模型预测检验过程中将1998至2007年间位于梧州市及其下属地区的多个气象站点所收集的日间极端最高温度数据与夜间极端最低温度数据进行采集，并将其中包含的数据包括：桂林及钦州市内的观测点提供的是日间最小温度值；而位于榜圩等地区的大气观测站则提供了每日的最大降水量数据作为分析的基础信息；这些观测数据会被导入至‘基于日间极值温度与最大日降水量对梧州市年度流量BP神经网络模型’中进行建模训练。

运行完成后网络输出的预测数值与真实数据对比分析，在图4.25中展示了检验结果。

根据预测检验的结果可以看出，在1998至2007这十年间，峰值流量模拟值与实测值之间的相对误差低于20%的数量达到了9年，合格率高达90%，整体表现优异。

4．5．１．３

以梧州气象站年度极端最高气温值作为输入变量之一；选取桂林及钦州气象站年度极端最低气温值作为另一个输入变量；选取凤山、都安、马陇等8个雨量站点的年度最大7日降雨量作为第三个输入变量；将梧州水文站年度最大流量设定为输出结果；在 BP 神经网络模型中设置两层隐含层；构建基于 (12,p,q,1) 结构的 BP 神经网络模型；经过测试确定其中各隐层神经元数目 p 和 q 分别为 1 个 4 个；使用 tansig 函数作为各隐层激活函数；选择 traingdm 算法作为训练函数；设定学习率为 0 1 并动量项为 9 模型训练目标误差阈值设为 1e-4 最大迭代次数设定为 2×1e5 次

BP网络模型参数见表4.31，结构如图4.26所示。

表4.31为BP网络模型参数汇总表；图4.26展示了年极端气温与年最大7天降雨对梧州年最大流量的影响结构图；本节在输入年最大7天降雨时采用8条支流上的雨量站进行监测（见表4.32）；当出现极端降雨情况时,这些支流的降水数据会实时汇入梧州,这一过程中的温度变化会间接影响到降水量的蒸发散失作用；同时,在上述分析中发现所选雨量站主要分布于四个自然分区中的各个区域

此过程可通过类比（表4.33）与BP神经网络结构进行比较。其中前8条支流对应于第一隐含层中的8个神经单元；而年最高气温和年最低气温则对应于第一隐含层中的两个 neural units；此外，在第二 hidden layer 中，则有4个对应的区域分别代表每年 maximum 7-day降雨所处的位置；从整体上看，在某种程度上可以说 BP 网络结构已经实现了某种程度上的透明化。

选择性雨量站所在支流清单表（见附录A）中包含了本研究涉及的主要支流信息。
BP神经网络结构组成说明表（见附录B）详细列出了网络模型的基本组成要素及其连接关系。
本研究采用人工神经网络理论构建了拟合模型并进行了参数优化。
针对实际气象要素序列选取了共计40组数据作为训练样本。
经过160,876次迭代计算任务后系统达到了预期精度水平。
在控制台界面输入启动指令后程序自动生成神经网络模型并开始学习与适应阶段。
动态展示过程如图4.27所示而具体结果则记录于附录C表格中以及图示部分可见。

从图形4.38可以看出，在年度最大流量的情况下进行神经网络的训练过程（如表4.27所示），BP网络能够较为精确地逼近给定的目标函数。

基于训练样本的检验数据（见表4.34）显示：在相对误差方面低于10%和20%，具体数值分别为38年和40年，并且均达到理想水平

阐述BP神经网络模型在梧州地区的应用情况时发现：该模型在'年极端气温、年最大7d降雨'下的表现较为出色。

模型预测检验将1998年至2007年间位于梧州市内各个气象观测站所记录的日均最高温度作为研究区域气候特征的重要指标，并整合了桂林与钦州地区的日均最低温度数据作为影响因素分析的基础变量；同时选取凤山市周边及都安苗族族自治县等重点区域 representative meteorological stations 的日均降水量时间序列数据作为研究对象，并将其纳入"基于气候特征的日均降水量 BP 神经网络模型"进行系统分析与建模。

程序运行之后执行网络输出的预测值与已知的实际值进行对比分析，并将其预测结果可参考图4.29和表4.35

图4.29所示的最大流量神经网络模型预测检验结果显示

4.5.1.4 基于 1941～1997 年梧州水文站的'年最大流量-年最高水位'数据集训练形成 BP 神经网络模型（1）。该模型用于研究'年最大流量-年最高水位'之间的关系。

基于年最大流量作为输入变量，在此基础上设定年最高水位作为输出变量；构建一个(1-q-1)型BP神经网络模型，在该模型中中间层神经元数量q经测试确定为7个；其中隐含层以及输出层均采用线性传递函数；选择训练函数traingdm，并设置学习速率为0.1、动量因子设为0.9以及误差门限设定在了较低水平（即目标值设为了一个较小数值），同时限定最大的迭代次数（即训练次数）定在了2×1e5次左右

BP网络模型参数见表4.36，结构如图4.30所示。

表格4-36 BP神经网络模型参数汇总表

注

在隐含层中共有七个对应的神经单元分别对应于主要的七条河流（如表4.37所示），总体而言，在现有的研究中 BP 神经网络已经被认为是灰箱化的。

本研究采用57组样本进行实验数据训练，在完成3327次迭代学习过程中已获得最小化损失函数值。其中当前优化过程中已获得最小化损失函数值为3.00605×10-5，并未能满足设定的收敛阈值要求。

通过命令窗口运行命令来实现网络的学习与训练。该系统通过神经网络进行学习与训练，并且其中的神经网络学习流程如图4.31所示。具体的学习效果可以通过图4.32的曲线变化和表4.38的数据对比来观察。

经过4.38年的最高潮位数据训练实验，在图4.32及表4.19的基础上展开对比分析后发现，在经过大量数据的训练后发现：BP网络能够较为精确地模拟给定的目标函数。

基于训练样本集合的分析表明:在1941年至1997年的57年间,年最高水位模拟值与实测值之间的相对误差小于10%的部分有56a项,小于20%的部分有57a项,整体合格率达到100%。

显示"年最大流量-年最高水位BP神经网络模型"的输出结果与测试结果误差较小；该模型在通用性方面表现较好；其模拟精度较高。

通过图形4.31展示了神经网络的训练过程；图形4.32则呈现了基于年最高水位的神经网络模型的训练结果。其中(3)，我们进行了模型预测检验工作。将1998年至2007年间梧州水文站记录的年最大流量数据导入至‘基于‘年最大流量—年最高水位’的BP神经网络模型中进行分析。

通过图形4.31展示了神经网络的训练过程；图形4.32则呈现了基于年最高水位的神经网络模型的训练结果。其中(3)，我们进行了模型预测检验工作。将1998年至2007年间梧州水文站记录的年最大流量数据导入至'基于' year maximum flow — year highest water level ' 的 BP 神经网络模型中进行分析。

在程序运行结束后对网络输出的预测值与已知的实际值进行对比分析，并检验两者之间的差异；该系统的结果在图4.33中呈现于图表中，并详细列出具体数据。

如表4.39所示，在1998至2007年的连续10年间

图4.33年最高水位量神经网络模型预测检验结果。

基于优化的BP神经网络遥感影像分类

。

罗小波1刘明培1,2（1.重庆邮电大学计算机学院中韩GIS研究所, 重庆, 400065；2.西南大学资源环境学院, 重庆, 400065）摘要：在给定网络结构的前提下，在借鉴遗传算法强大的全局优化能力的基础上获得一组合适的权重与激活阈值用作BP神经网络初始化参数的选择方案。该方案不仅能够有效避免传统BP神经网络容易陷入局部最优解的问题，并且还可以显著提升其收敛速度与训练效率

进一步应用BP神经网络的局部优化特性，在权重参数与激活门限上实施更精确的优化过程。通过实验分析显示，在遥感影像监督分类任务中采用这种方法能够实现较高的分类准确率。

随着遥感技术迅速发展并深入到多个领域，在其中遥感影像分类在其中扮演着关键角色；而该分类技术涉及的关键核心技术则包括BP神经网络与遗传算法等方法

近几十年来，在遥感影像分类领域中逐渐占据了重要地位的神经网络技术，在处理高光谱等复杂影像数据时展现出显著的优势。随着人工智能相关技术的迅速崛起及其理论框架的发展完善，在这一领域取得了突破性进展

通常将基于BP算法建立起来的多层感知器被称作BP神经网络。目前而言，它已是应用最为广泛的、最为成熟的神经网络之一。

与经典的最大似然法相比,BP神经网络的主要优势在于其对训练样本分布无要求.然而,该方法存在结构不易确定易陷入局部最小值且收敛性较差等问题.在本研究中,网络的结构将由研究者根据问题的具体难度来决定.

在开展神经网络训练之前，在研究领域中通常会采用遗传算法这一工具来计算并确定神经元之间的连接权值以及激活阈值等关键参数。接着，在模型构建完成之后会采用基于误差反向传播法（BP学习算法）的方法来进一步优化这些参数设置以达到更好的拟合效果。最后通过所建立起来的数据分析模型实现遥感影像数据的空间特征分类工作

研究表明，在采用遗传算法优化后的BP神经网络模型中用于遥感影像监督分类时表现出较高的分类准确率

在模式识别问题中，在线性变换器模型中

而各隐层所需的神经元数量则取决于实际问题所具有的复杂程度。例如，在单隐层的情形下

旨在建立一种适用于遥感影像分类的一般方法。除了提供基准型网络架构作为基础外，本系统还支持用户依据问题难度自主设定隐藏层层数和各隐藏层神经元数量的功能。

该方法为部分高级用户提供了一定的灵活性；然而这种灵活性同时也提高了使用上的复杂性；有时可能需要通过实验的方法来逐步优化以获得满意的结果。

如图1所示，基于BP算法的神经网络架构及其学习过程进行了详细描述。该算法的学习过程主要包括以下步骤：首先初始化时将各层神经元之间的权重参数以及各节点的阈值参数均设定为初始的小幅随机数值。随后系统进入数据训练阶段，在此期间系统会根据输入样本向量X不断调整各层权重系数以优化网络性能并使误差逐步减小直至达到预定的学习精度要求。具体而言在数据加载阶段系统会依次读取训练集中的每一个样本对并将其分解为输入向量X及其对应的目标输出向量Y进行逐个处理以实现模型的有效训练

在每次训练过程中选择新的同类或异类样本，并持续该过程直至权值对各类样本的分类结果趋于稳定。（3）根据实际输出结果计算出y₁, y₂,…, yₙ。（4）更新权值参数。

权值修正基于最小均方（LMS）算法的核心思想，在神经网络训练过程中采用该方法进行参数优化。具体而言，在神经网络的学习过程中, 权值修正机制是从输出层节点出发, 通过反向传播机制作用于第一隐层神经元, 实现误差信息的逆向传递和权重的系统调整。

在下一时刻时滞中互连权值Wij(t+1)通过以下公式确定：

W_{ij}(t+1) = W_{ij}(t) + \eta \delta_j

其中探讨的土地信息技术创新及 accompanying land science advancements于2006年中国土地学会学术年会论文集中展开讨论。
在该模型中，
i代表隐层或输入层中的具体位置编号；
而 j 则是当前神经元的位置编号，
其取值取决于当前神经元类型：
如果 j 是输出单元时，
则误差项 δ_j 的计算公式如下：

\delta_j = y_j (1 - y_j)(t_j - y_j)

其中 t_j 为目标输出，
而 y_j 是实际计算出的结果；
而对于内部隐含单元 j，
其误差传播遵循：

\delta_j = \sum_{k} w_{jk} \delta_k

其中 k 是该节点所在层次以上所有层级的所有单元数量

（5）当满足预定的误差精度或循环次数时终止执行；如果不满足，则转入步骤（2）。 2.3基于遗传算法的网络学习方法 遗传型神经网络的学习方法展现出良好的整体优化能力，并不容易陷入局部最小值；然而，在进行局部优化方面表现出色的是BP型神经网络的学习机制。

由此可见，在整合两种算法的基础上构建混合训练模型，则可以通过互相弥补各自的不足实现分类性能的显著提升

主要思路如下：（1）通过遗传算法推导出最佳个体A.将所有权重和阈值设为基因，并采用实数编码方式生成初始种群；（2）构建一个包含M个基因的遗传体结构；其中M等于所有权重和阈值的数量

B.确定群体规模N，并随机初始化包含M个基因的这N个结构。C.在适应度评估过程中，在基于训练样本集分别对每组权值和阈值进行训练后，并计算每组网络在期望输出与实际输出之间的总误差e；随后将每组网络的适应度f定义为其对应误差e与1.0之差

D. 采用遗传运算操作来执行选择、交叉和变异这三个步骤以生成新的种群：其中，在选择阶段使用了轮盘赌法，在交叉阶段应用了两点交叉法。
E. 重复实施C至D步骤直至满足终止条件时。

停止条件设定在达到或超过最大代数及最优个体精度时。（2）通过经GA优化后得到的最优个体执行解码过程, 用于确定BP神经网络的初始权重和偏置。（3）利用BP学习算法对网络进行训练, 当满足停止条件时终止运算。

停止条件即为：①满足最大迭代次数；②总体误差低于规定的最小误差。经过神经网络训练后，在测试数据上完成分类过程即可生成分类结果影像图。

3应用实例开发环境设置为VC++ 6.0，并依托Mapgis的二次开发平台进行功能扩展。由于二次开发平台提供了遥感影像的基础处理功能，在具体实现过程中主要包含对底层文件进行读取及基础操作以满足需求。

实验中使用的遥感影像尺寸为500×500像素，并标注于图1中。这一遥感图像记录了美国某一城市于1985年的地理信息。

基于同一地区的SPOT遥感影像及相关数据资料, 该研究区的地物类型被划分为8个类别, 每一类别均与特定代码相对应: 其中,C1代表水体要素, 包括河流湖泊等自然水面区域; C2代表草地类型, 覆盖着天然草场及经由人类活动改造后的草地区域; C3代表绿化林带, 主要分布着森林和人工林区; C4代表裸地区域, 通常指未经植被覆盖的土地表面; C5代表大型建筑群, 包括工厂车间商业建筑等密集建设区域; C6代表军事基地区域, 涉及机场跑道及周边设施; C7代表居民区, 覆盖着住宅区与其相连的道路 network.; 最后,C8代表其他生活配套设施, 包括公共厕所商店以及相关基础设施

其中，居民地、军事设施、其他生活设施的光谱特征比较接近。

在建立网络模型前

要求原始样本具有高度代表性和能够准确反映实际地物的空间分布特征。经过对原始样本集的系统预处理工作后,最终获得了2979个高质量的纯净样例数据。这些经过预处理优化后的样例数据则被归类为训练数据集的基础库

网络训练时的波段选择为TM1、TM2、TM3、TM4、TM5、TM7共6个波段。

另外，在考虑分类任务所需的目标类别数量设定（即8）的基础上，
其网络架构设定如下：
输入 layer 包含 6 个 neural unit，
output layer 配置了 8 个 neural unit，
其中 hidden layers 数量设定为了 1 个，
每个 hidden layer 包含 10 个 neural unit，
通过使用 training dataset 对 model 进行 training

当对网络进行训练时

图2中的分类结果显示用于评估该网络在分类任务中的性能，在完成分类任务后需要对整个网络系统进行性能评估

测试样本的选择仍然沿用选取训练样本集的方法，在原始影像上实施；亦即参考相关资料后，在原始图像中进行人工观察，并随机抽取类别明确的样本作为测试对象。

基于精度评估系统的技术框架下，在测试样本集与已分好类的图像之间展开对比分析。通过对比分析得到了各类别间的准确率指标数据以及各性能评估参数数值（见表1）。见表1可知, 总体上该模型达到了令人满意的准确率, 其值为0.91; 同时计算所得的Kappa系数也为0.90, 这一数值表明模型具有很强的一致性检验能力

如表1所示, 本研究采用测试样本集为基础进行评估, 其中约三分之二的地物类别均达到了较高的分类准确率（高于 0.9）。然而, 居民地和其他生活设施类目标类由于其复杂性等因素, 其分类准确率相对较低, 分别达到 0.89 和 0.77。整体而言, 该研究的整体分类平均准确率为 0.91。

该Kappa系数在遥感影像分类精度评估中的应用极为广泛，在本测试中其数值达到0.90。通过上述分析可以看出，在这项研究中采用基于遗传算法的BP神经网络模型对遥感影像进行分类，在这项测试中其分类精度达到了较高水平，并且取得了令人满意的效果。

4结论与传统的基于统计理论的分类方法相比，BP神经网络分类不需要对训练样本分布形态作出正态性假设，并且展现出强大的非线性映射性能，在处理日益激增的海量高光谱遥感数据方面表现得更加突出。

但BP神经网络也存在容易陷入局部极小、难以达到全局最优解等缺陷。合理设置初始参数是导致网络出现这些缺陷的关键因素。

在实验过程中通过遗传算法的全局优化能力来确定BP神经网络模型的关键参数设置即初始权值与阈值这一过程能够有效获得一组具有较高收敛性能特性的初始参数组合经过该种方法求解后得到的结果是一组具有全局近似最优特性的参数组合接着基于BP神经网络的学习机制采用局部优化策略对这些参数进行进一步调优以提升模型的整体预测精度

经过训练后的稳定网络不仅具有很强的非线性映射能力，并且必然能够得到一组均方误差最小的全局最优解。

研究表明，在遥感影像分类中采用基于遗传算法驱动的BP神经网络是一种有效的技术手段。其前提是所选训练样本应能充分代表各类地物类型，并且能够真实反映各类地物的空间分布特征。该方法将实现较高的分类准确率，在实际应用中显示出显著的有效性。

参考文献H.Yangetal，ABack-propagationneuralnetworkmformineralogicalmappingfromAVIRISdata，Int.J.Remotesensing，20（1）：97～110ArdutiAlessandro，etal.Speeduplearningandnetworkoptimizationwithextendedbackpropogation.NeuralNetworks，1993，6：365～383PatrickP.Minimizationmethodsfortrainingfeedforwardneuralnetworks.NeuralNetworks，1994，7：1～12GoldbergDE.GeneticalgorithmsinSearchOptimizationandMachine：Addison-Wesley，1989RudolphGunter.ConvergenceanalysisofcanonicalgeneticTransactionsonNeuralNetworks，1994，5（1）；102～119FangJ，XiY.Towarddesignbasedonevolutionary.，1997，11（2）：155～161ParkYR，etal.PredictionsunspotsusinglayeredperceptionneuralNeuralNetorks，1996，7（2）：501～505杨行峻、郑君里.人工神经网络与盲信号处理［M］.北京：清华出版社，2003，23～40周成虎、骆剑成等.遥感影像地学理解与分析［M］.北京：科学出版社，2001，228～238王耀男.卫星遥感图像的神经网络自动识别［J］.湖南大学学报，1998，61～66江东，王建华.人工神经网络在遥感中的应用与发展.国土与资源遥感，1999，13～18。

BP神经网络方法

。

人工神经网络是迅速发展起来的新领域，并构建了一个基于大规模并行分布处理的非线性系统模型来模拟各种复杂的自然现象和工程问题。该理论体系不仅能够模拟各种复杂的非线性行为，并且还具有极强的自适应能力、自我学习机制、联想记忆功能以及极强的容错能力和高效的并行计算性能，在模式识别、信号处理等技术领域展现出显著的应用价值

近年来，人工神经网络体系在水质分析与评价领域得到了广泛应用，并取得了显著成效。在众多的应用场景中，BP网络因其卓越的性能和广泛的适用性，在模式识别领域占据重要地位。

基于多层前向网络的权值学习，并采用误差逆传播学习方法的一种算法称为BP算法（ErrorBackPropagation缩写为BP）。在实际应用中主要涉及两个阶段：一是网络训练阶段；二是运行工作阶段。

在特定的网络权值训练阶段中，遵循指定的训练策略，在"顺传播模式"依次实施"逆传播误差"、"记忆训练步骤"以及"学习收敛点"这四个步骤中完成权值参数的优化。

在神经网络的工作流程中，在基于预先训练好的权重参数和给定的输入样本的情况下，在遵循"模式顺传播"算法的基础上进行计算能得到与输入样本对应的输出结果（阎平凡, 2000）。

BP算法是一种经过实践验证的有效训练方法，并且具有较强的泛化能力。该算法采用单向信息传递的方式构建多层前馈结构，并且其网络模型由输入层接收数据信号、通过隐含层进行信息处理以及输出层生成最终结果组成。

图4-4展示了该系统的BP神经网络模型架构图。该模型由四层构成：第一至第三层为输入至隐藏层，第四层为输出层；各层内部节点之间没有连接关系。

输入信号自输入层节点出发，在经过各隐含层节点的过程中传递至输出层节点。若此时系统未能产生预期的输出结果，则会转而进行反向传播过程，在原有路径上重新分配并传输误差信息。随后系统将通过学习机制更新各层次神经元的权值参数以减少系统的整体误差水平直至达到最小值

每一层节点的输出只影响下一层节点的输入。

每个节点均对应一个作用函数f及其阈值a，在BP神经网络中基本处理单元表现为非线性输入到输出的关系。其中对于输入层而言其节点阈值设为零且满足关系式f(x)=x而对于隐含层以及输出层则采用非线性的Sigmoid型激活函数该类函数具有良好的光滑特性其数学表达式可表示为f(x)=1/(1+e^{-x})现有L组学习样本(X_k,O_k)其中X_k代表第k个样本的输入向量O_k代表对应的期望输出向量通过神经网络传播后获得的实际输出结果记作Y_k则Y_k与预期的理想状态O_k之间的均方误差即定义为目标地下水功能可持续性评价指标体系构建过程中所采用的关键公式其中M代表输出层中的神经元数量Y_{k,p}代表第k个样本在第p个评价指标上的实际计算结果O_{k,p}则代表对应的期望指标值

样本总误差由区域地下水功能可持续性评价理论与方法研究通过梯度下降法优化网络参数权重，在此过程中使目标函数E达到最小值；基于学习样本修正得到Wij的具体表达式中：η表示学习率且取值范围为0至1之间的实数。

基于所有学习样本对权值Wij进行调整，常通过增强学习过程的稳定性来优化其收敛特性。具体而言，在每次迭代过程中会对权重参数Wij进行再修正：$$式中：β为充量常量；Wij（t）表示BP网络在第t次迭代循环训练后更新得到的连接权值；Wij（t-1）则代表BP网络在第t-1次迭代循环训练后的初始连接权值。

在BP神经网络的学习过程中，在线性前馈反向传播算法指导下依次调节输出层至中间隐层的连接权系数、各隐层之间的相互关系参数以及中间隐层至输入层的连接参数。通过动态优化算法构建BP神经网络的学习体系流程图（如图4-5所示），该研究工作由倪深海等于2000年完成。

图4-5展示了BP神经网络模型的程序框图结构。当将水质评价的标准作为输入数据时，在程序中设定评估等级作为输出结果，并使该神经网络通过持续的学习过程识别出各评价指标与其对应的评估等级之间的复杂关联。从而实现水质综合评估的目的。

该系统采用BP神经网络模型进行地下水质量综合评价。该系统的评价方法无需大量依赖数理统计知识，并非需要繁杂的数据预处理工作。整体操作流程简便直观，并且最终评估结果与实际情况高度吻合。

该方法通过其强大的组织结构和数学模型的构建能力，在进行地下水水质评价时能够较为精确地预测水质变化（袁前任，1999）。

BP网络具有强大的逼近能力，并且在应用中面临以下主要缺陷：其一，在数学分析上可被视为一种非线性梯度优化问题，在实际应用中不可避免地会遇到局部极小点；其二，在优化过程中收敛速度较慢，在实际应用中通常需要几千次甚至更多次迭代才能获得满意的结果。

该系统具备学习能力、联想能力和容错能力，并已在现有地下水水质评价方法中进行改进研究。
研究者提出了一个值得探讨的问题：如何在现有的神经网络体系中进一步吸收模糊理论与灰色理论的一些优势，并在此基础上构建一种更适合水质评价应用需求的神经网络模型。