人工神经网络的结构_人工神经网络特点有哪些 人工神经网络应用领域介绍【图文】...
人工神经网络的特点有哪些?
人工神经网络突出的优点
(1)可以充分逼近任意复杂的非线性关系;
所有定量和定性的信息在网络各神经元中以等势分布进行存储，并因此具备了较强的容错能力以及高度的冗余性。
(3)采用并行分布处理方法，使得快速进行大量运算成为可能;
(4)可学习和自适应不知道或不确定的系统;
(5)能够同时处理定量、定性知识。
人工神经网络的特点和优越性，主要表现在三个方面：
第一段
第二点, 具备联想存储能力. 通过使用人工神经网络的反馈机制来实现这种联想.
第三部分具备快速实现优化方案的能力。求解复杂问题通常涉及巨大的计算资源需求，在特定领域内设计的人工神经网络模型能够充分发挥计算机处理数据的速度优势，并通过反馈机制逐步逼近最优解决方案。该方法不仅能够迅速实现这一目标，并且还能够通过不断迭代提高结果的质量。
人工神经网络(全称Artificial Neural Networks, 缩略体ANNs)，也可称为神经网络(NNs)，是模仿生物神经系统进行信息处理的一种数学模型。它建立在对大脑生理研究的基础之上，并旨在模仿大脑的部分功能机制来实现特定功能。如今，在各个领域中都广泛应用着人工神经网络。本章专门提供一个全面而简洁的基础概述
神经网络的特点
神经网络的基本属性反映了神经网络特点，主要表现在：
神经网络具备强大的分布式计算能力和高效的执行机制，在面对复杂任务时展现出卓越的协调能力；其设计架构使其能够快速识别最优解决方案，在数据处理效率上有显著提升；该系统充分体现了计算机处理速度的优势；预计能够在较短时间内确定最佳解决方案
- 非线性处理 人类思维方式具有显著的非线性特征。为了模仿人类复杂的认知模式，神经网络必须具备非线性结构以实现信息的深度加工与关联存储。这种特性赋予了神经网络处理复杂、多变问题的能力。
第3点具备自主学习能力。通过基于历史数据进行训练的方式开发出一种专门设计的人工智能模型。这种特性对于提高预测准确性至关重要。
要使人工神经网络能够以更快捷的方式处理更为庞大的问题，则需通过超大规模集成电路(V LSI)技术构建高效的硬件架构。具体而言, 这一目标可理解为将神经元与其间的连接整合到同一芯片上（通常采用CMOS工艺）形成ANN结构。近年来, VLSI设计技术在神经网络领域取得了显著进展, 并且硬件实现已成为该领域的重要研究方向之一
神经网络的应用领域
近年来神经网络技术已在多个领域展现出广泛的应用前景。在民用领域方面,其具体应用场景包括语言识别及理解,图像识别及视觉处理,智能机器人故障诊断,实时的语言翻译系统,企业管理以及市场分析等环节;而在军事领域方面,则涵盖了雷达与声纳的多目标识别及跟踪系统,战场管理与决策支持系统,军事机器人对复杂环境的自主适应能力研究,信息快速采集与分类处理技术等
人工神经网络模型具有一些特定的结构特征，并且具备抗干扰能力以及高度的非线性映射能力；近年来，在河道水流模拟及平面二维流场计算等领域已获得了一定的应用成果与理论发展。研究者如Dibike等人尝试将神经网络理论与水动力学模型相结合；利用水动力学模型提供的训练样本数据对重要河段航深等要素进行预测分析；这种方法不仅提高了预测效率还显著减少了计算负担；同时该方法通过利用水动力学模型提供的训练样本数据弥补了传统方法在缺乏足够观测资料方面的不足；该方法已在英国Irwell流域取得了一定的应用效果但目前仍面临许多待解决的问题；尽管如此目前关于河网水沙运动的神经网络模拟研究仍处于起步阶段
人工神经网络与河网显示出高度相似性，在结构上具有诸多共同特征。两者均是由一系列内部组件通过并行或串行连接构成一个相互依存的整体网络架构。通过对系统内各节点间关系的精细调节以及优化其信息传递路径安排，可实现输入与输出间的最优化配置；这一过程不仅能够准确反映系统的动态特性而且还可实现预测分析功能；最终目标即是建立一个高效可靠的模型框架以模拟复杂河网水沙运动过程
1 一般河网概化
天然河网水系极其复杂，在此基础之上河流湖泊数量丰富。鉴于问题研究的需求以及河道与湖泊之间的相互关系，在不同情况下可采取不同的概括方式。在本文中针对河网系统的概括主要出于构建体现其水沙运动特征的人工神经网络模型的需求。
(1)将河网概化为不同非线性水库相互连接而成的网络结构。
在水系中,不同来源的水源和泥沙（例如来自上游河流入网的来水与来沙）作为模型输入数据来源;该水系需模拟该站点水流与泥沙运动的变化规律作为模型输出
每层水库间相互关联(在自然状态下，并非所有相邻的上、下游水库都存在水流或泥沙交换关系)，因此在优化过程中将相连节点间的传递权重设为0。这种处理方式既能较好地体现河网系统的水动力学特性的同时也能满足人工神经网络模型的应用需求)。而位于同一层面的水库则不存在水流或泥沙的交换。
第一层单元仅负责将来自河网区域的总流量传递给下一层单元，并未具备任何调节功能；这些单元既不具备水量调蓄能力也不会发生泥沙量的变化；中间各单元不仅具备水量调节能力还会伴随泥沙冲淤过程；末级单元则综合考虑了上游所有水库的进水与挟沙量
非线性水库的出流与水库蓄水量之间存在非线性变化关系，并使每一水库水量及整个河网总水量达到动态平衡
水库的输入与存储之间呈现非线性关系。每一水库的泥沙总量和整个河网总沙量均遵循守恒定律。
在上述概化条件下,整个河网由来自水源或沙源的输入以及内部相互串联和并联形成的水库结构组成,并包含输出部分;第一层节点与最后一层节点之间的输入输出关系呈现简单线性特征;通过建立节点输水输沙平衡方程以及整体泥沙与水量守恒的关系式来确保各节点及整个河网系统的沙量与水量达到平衡状态。
2 具有河网水沙特点的人工神经网络模型
传统的BP神经网络体系构成一种较为基础的非线性系统结构，在其运作过程中基于误差信号反向传播机制动态优化各层节点间的连接权重参数，并使该系统的输入变量与输出变量之间形成相应的映射关系。在自然界中存在许多可以用这种基本关联模式描述的现象实例；例如电力负荷的变化与气象要素及其运行环境状态之间存在密切关联；工业用水量受到降水量和蒸发强度等因素的显著影响；而在较短时间内某河段的出口流量主要由上游河道的来水过程以及中间区域的汇集作用所决定。
然而，在大多数情况下系统的输出不仅仅是由当时的输入或前期输入所决定的同时也与系统的状态有着密切的关系。例如当河道出现较严重的冲淤变形时其输出仅受系统输入的影响还与系统所处的具体状态即河道的冲淤状况有着直接的关系。基于这样的认识使用传统的BP神经网络来模拟系统的输入输出关系会遇到较大的困难。此外传统的BP神经网络模型属于"黑箱"类型其内部参数缺乏物理意义也不便于深入理解参数与模型输出之间的关系因此在运用神经网络理论研究河网水流泥沙运动时不能简单地采用BP算法而必须考虑到河网内部各组成部分以及整个河网中的水量和泥沙守恒关系在较为概括化的河网模型中每一个节点以及整个河网都应该满足相应的水量和泥沙守恒方程。
泥沙连续方程：
(2)
则T+1时刻K+1层第i水库的相互物理量的变化为：
(5)
通常情况下，在水库或河道水系系统中由于外界条件的变化常常会引起水流形态以及泥沙输移规律的变化这种变化往往会导致河道与水库之间的输沙失衡现象进而从而进一步影响水流运动以及泥沙输移规律的状态这种水沙运动变化的过程主要以泥砂作为联系纽带在输砂平衡与失衡之间来回切换状态因此在计算水库出流量及输出量时需要综合考虑其地形因素如累计冲淤量等的影响例如可将水库累计冲淤量近似表示为地形特征指标并采用以下数学表达式进行描述：
Q|T=f(Vω|T,VS|T……)(6)
同样地，在水库中每个节点处的泥沙输出量可视为由流入量及地形等要素共同决定，并用数学表达式表示
V|T=f1(V′|T,VS|T……)(7)
当水库冲淤变形不太明显时，在T时刻时点上, 该系统的出流量Q_T与相应时刻的蓄水量W_T之间的关系式则可表示为:
Q|T=f(Vω|T)(8)
同样地，在水库冲淤程度不够明显的情况下，在这种情况下下（此处可考虑将"在"去掉），水库排沙量也可以被视为与其来沙量之间存在的非线性函数关系式即为
V|T=f1(V′|T)(9)
设网络第k各层节点数为NK，K为网络总层数，对第一层节点
在公式中，φin 和 φ1i 分别代表第一层节点的输入量与输出量。其中 Wi,j 表示该层第 i 个节点与其下一层第 j 个节点之间的连接权重。同时 N₂ 表示第二层的总节点数量。
对河网内部第k+1层节点，输入输出关系为：
(11)
式中φkj,in为K层第j节点的输入量。
基于水沙连续方程和水库排水排沙方程构建而成的具有河网特点的神经网络模型。尽管本文建立的模型在结构和算法上与传统BP神经网络有许多相似之处，但不同的是，将神经网络理论与水沙守恒方程相结合形成具有河网水沙运动特性的模型后，在许多方面它具有自身的优势。
考虑到水沙之间的相互作用影响，在实际应用中我们通常会将水沙非耦合神经网络这一概念进行定义与探讨研究。具体而言，在相同的输入条件下，在相同的输入条件下，在相同的输入条件下，在相同的输入条件下，在相同的输入条件下，在相同的输入条件下，在相同的输入条件下，在相同的输入条件下，在相同的输入条件下的各个节点输出结果可能不一致，并受到节点冲淤状态变化的影响；而在同样的前提下；而在同样的前提下；而在同样的前提下；而在同样的前提下；而在同样的前提下；而在同样的前提下；而在同样的前提下；而在同样的前提下；河道中的水流情况同样会受到河床累积冲淤量的变化情况所影响；而此时河道累积冲淤量的数据必须来源于泥沙神经网络模块的结果计算
(2) 网络结构合理。人工神经网络与河网具有某种程度的结构相似性，在具体实施过程中根据计算需求进行相应的优化调整。这不仅能够有效满足神经网络运算的基本要求，并且能够反映出水文要素间的相互制约关系。在本文所建立的水沙非耦合模型中，在保证两模型之间实现统一协调的同时，在具体设计上也充分考虑了水流运动和泥沙运动各自的特点及相互影响的关系
图1 长江中游概化简图
(3) 网络结构内部参数具有明确的物理意义。传统的BP神经网络其内部节点间的关系被描述为一个"黑箱"其内部参数的物理意义并不明确;而本文构建的模型中各参数均具有明确的物理意义各层之间的连接关系实质上反映了上级节点向下方节点输送水量或沙量的程度
(4)确保每个节点及其整体系统满足水量与沙量的平衡。传统的BP神经网络结构仅关注单个节点的非线性特性，并忽视了系统中各节点及整体系统的物质守恒问题。通过建立基于水流与泥沙运动的基本方程组,我们提出了一种能够准确描述水动力学与泥沙迁移规律的新模型。
在本模型中, 蓄水量与淤积度以及输出的水沙量会受到上下游环境条件的持续影响. 这些变化能够较为准确地反映出河网水沙运动中边界条件的变化对网络输入与输出的影响, 同时也避免了传统BP神经网络模型在处理系统状态时所存在的局限性. 当河道或水库淤积度提升时, 该系统可以通过自我调节机制来优化水流与输沙效率. 如果忽略这一因素, 在相同的进水和输沙条件下, 其预测出来的流量与输沙量可能会出现偏差, 即过高或过低地估计实际的出流和出砂情况.
假设不考虑水库蓄水量及排沙量随着时间的变化而变化，则所得模型与传统BP网络具有相似性
3 模型应用实例
3.1 长江中游荆江和洞庭湖河网区概况 洞庭湖平原位于长江中游荆江之南，在其北侧有松滋、太平、藕池三个水道汇入长江至洞庭湖入口处，在西南部则有湘江、资江、沅江与澧水汇聚于此。洪水经过该区域后会经历一段调蓄过程最终通过城陵矶出海口排入长江干流这一景象在历史上最早可追溯至3月份期间而在个别年景甚至可能延续至10月下旬出现高峰期的现象在模型构建过程中需要特别注意这一特点因为不同来源的洪水会在交汇处形成积存效应导致局部地区地势升高从而进一步加剧洪涝灾害的风险为此有必要在模型中详细刻画各条河流间的相互作用机制并将其纳入整体评估体系
图2 长江中游网络概化模型
荆江洞庭湖区根据其水流泥沙运动特点及河道蓄水垸特征被划分为若干相互关联的区域（包括8个独立区域及湘资沅澧4大洪道流域），具体分布情况可见图2。这12个具体分布于以下各区域：
- 区域Ⅰ：松滋河及其两支流（东支与西支）、大湖口河、自治局河、管垸河与虎渡河水系；
- 区域Ⅱ：藕池河的西支与中支；
- 区域Ⅲ：藕池河水系之东支；
- 区域Ⅳ至Ⅵ分别为西洞庭湖平湖（目平湖）、南洞庭湖水系与东洞庭湖水系；
- 区域Ⅶ至Ⅷ分别为枝江至藕池口河段与藕池口至螺山河段；
- 最后两个洪道分区则分别位于湘资沅澧四个流域之内
根据前述荆江及洞庭湖的基本情况分析可以看出：荆江及其洞庭湖是由编号为Ⅰ至Ⅻ的共12个子区域通过串联或并联的方式构成的整体网络系统。在这种整体系统中，各子系统的输入与输出能够实现协调统一。在不违背河网基本地理特性和水流动力学规律的前提下，在不影响原有分区功能的前提下（即不会影响到水文要素的空间分布特性），根据神经网络的设计原则，在不改变原有分区功能的前提下对相应子区进行了优化划分（例如将编号为Ⅸ至Ⅻ号的相关水系划分为上下两个部分，并将编号为Ⅷ号水系划分为三个部分）。同时各节点间的连接关系与各子区间的空间分布关系如图2所示
基于神经网络结构的需求，在各节点之间形成了相互连接的关系。然而从物理角度来看，并非所有区域都存在必然的联系。因此，在本文的研究中我们将那些在物理上并无必然联系的相邻节点间的权重设为零值；这不仅能满足神经网络结构的需求，并且能够更好地体现河网水流运动的基本规律性特征。例如，在实际模型中发现只有区域3与其下方区域11之间存在水量交换关系；而与其他第三层节点间则不存在这种交换关系；因此，在建模过程中可将这些连接设为零值。另外为了简化计算过程方便分析我们假设三口入海口可合并处理将其统一视为一个入口点；这样一来荆江与洞庭湖之间的互动关系便可以用类似于图2所示的网络模型来进行描述和模拟研究。
根据附图所示, 用于模拟洞庭湖水动力学系统的网络模型由六个层次组成。其中, 第一层包含六个节点, 分别对应宜昌+清江来流与四水共同汇入; 第二层至第五层为系统隐含特征层, 分别拥有6、7、3及2个计算单元; 最后一层则设置一个输出节点, 用于表征螺山出流情况。
在神经网络结构的要求中可以看出，在神经网络结构中输入层节点的数量实际上决定了输出变量的数量；而输出层节点的数量则与之相等。然而，在选择隐藏层（即中间层）中的单元数量时会遇到相当大的挑战性问题；通常需要结合设计经验和实验结果来确定合适的数量；因而并不存在一个完美的解析表达式可用；事实上隐藏层单元数量与其所处理的问题要求以及输入输出端的有效连接程度之间存在着直接的影响因素：当隐藏层过多时不仅会导致学习所需时间显著增加而且可能导致误差并不一定是最优水平；相反当隐藏层数目过少则会导致模型鲁棒性降低无法有效地识别之前未曾见过的新样本数据；因此选择合适的隐藏层单元数目对于整个系统的性能表现至关重要从而提出了关于如何选择合适数量的问题
由此可见，在本文中采用了具有6个隐层节点的神经网络架构，并且该架构满足了网络结构的基本要求。考虑到人工神经网络在结构上与水文网具有相似性，则可以将神经网络的结构确定方法与水文网自身的河道系统有机结合起来共同制定其结构。这样不仅可以显著减少工作量还可以为神经网络的构建提供一种全新的思路。
表1 模型节点与河网区域之间的对应关系
模型节点河网区域模型节点河网区域
区1区域Ⅶ区10大湖口河、自治局河、管垸河、虎渡河(中河口以下)水系(区域Ⅰ下段)
(中河口以下)水系(区域Ⅰ下段)
区2松滋河、弥陀寺～中河口(区域Ⅰ上段)区11湘水下段水系
区3湘水上段水系区12资水下段水系
区4资水上段水系区13沅水下段水系
区5沅水上段水系区14调弦口～监利河段
区6澧水上段水系区15注滋口河段
区7藕池口～调弦口河段区16区域Ⅳ+区域Ⅴ
区8区域Ⅱ区17监利～螺山河段
区9区域Ⅲ区18区域Ⅵ
城陵矶水沙过程模拟
荆江与洞庭湖之间演变关系主要依赖于三口分流分沙这一关键联系。这一变量在影响荆江及洞庭湖水沙演化方面起到了决定性作用。因此，在建立该区域演变模型时必须充分反映这一变量的变化规律，在建模训练过程中需确保其被准确捕捉到。图3展示了1984年计算流量过程与实际观测结果的对比情况：运用本文提出的河网水情预报模型对当年流量情况进行模拟后发现其预测结果与实测数据的变化趋势基本一致；模拟结果与实测数据之间的平均误差低于3%，最大误差也未超过6%；由此可知本文所构建的河网水情预报模型能够较为准确地反映出河网水流运动特征
图3 计算与实测量过程比较图4 计算与实测输沙量比较
本文基于洞庭湖1954年至1988年间三口、四水以及城陵矶出口站的年平均输沙量观测数据来估计网络各连结权重参数。鉴于洞庭湖区多年来的淤积水平维持在74%左右的高位，并且各子湖区的淤积水平也未发生显著变化趋势,因此可以认为该区域淤积对整个湖体泥沙淤积速率的影响较为有限。图4展示了1954年至1988年间城陵矶站计算所得输沙量过程与实测过程对比分析的结果。
从图4可以看出，在设定条件下计算所得结果与实际观测值之间的误差处于可接受范围内，并且所建立的神经网络模型能够较为准确地模拟城陵矶河道中泥沙运动的基本特征及其空间分布规律；研究表明，在不同水文条件下的神经网络模型均能较好地反映出洞庭湖流域泥沙输移过程的主要特征及其随时间的变化规律
4 结论
河网水沙运动具有显著的复杂性，在实际模拟过程中难以满足实时预测的需求，并且在缺乏详细地形数据的情况下应用效果也会大打折扣。从系统结构的角度来看，河网模型与人工神经网络在输入输出关系上具有高度的一致性。因此，在这种情况下运用神经网络技术能够较好地模仿河网水沙运动的状态变化规律。然而，在传统BP神经网络模型中存在两个主要缺陷：其一是网络架构的选择过程较为复杂；其二是各节点参数的实际物理意义尚不清晰。基于此，在本文研究中我们突破传统思路，在深入分析水沙运动基本规律的基础上构建了一个新型的 river network neural network model.该模型能够在保证网络结构合理的同时使各节点参数具有明确的物理意义.通过运用该模型对长江中下游地区的水沙运动宏观特征进行模拟分析发现：与传统方法相比本文所建立的模型能够更加准确地反映真实世界的客观规律