[课件]人工神经网络ANN及其MAtlab仿真PPT

神经网络在环境科学与工程中的应用
• 环境质量评价
• 环境系统因素预测
• 环境因素定量关系模拟 构效分析、成因分析 • 污染防治系统建模
李一平（河海大学环境科学与工程学院）.《太湖生态系 统的人工神经网络模拟研究 》，环境科学与技术，2004 年第二期
构造了具有3层节点的人工神经网络模型,将太湖2001
ANN的研究内容
（1）理论研究：ANN模型及其学习算法，试图从数 学上描述ANN的动力学过程，建立相应的ANN模 型，在该模型的基础上，对于给定的学习样本， 找出一种能以较快的速度和较高的精度调整神经 元间互连权值，使系统达到稳定状态，满足学习 要求的算法。 （2）实现技术的研究：探讨利用电子、光学、生物 等技术实现神经计算机的途径。 （3）应用的研究：探讨如何应用ANN解决实际问题， 如模式识别、故障检测、智能机器人等。
ANN研究的目的和意义
(1)通过揭示物理平面与认知平面之间的映射，了 解它们相互联系和相互作用的机理，从而揭示思 维的本质，探索智能的本源。 (2)争取构造出尽可能与人脑具有相似功能的计算
机，即ANN计算机。
(3)研究仿照脑神经系统的人工神经网络，将在模
式识别、组合优化和决策判断等方面取得传统计
算机所难以达到的效果。
神经网络研究的发展
(1)第一次热潮(40-60年代未)
1943年,美国心理学家W.McCulloch和数学家 W.Pitts在提出了一个简单的神经元模型，即MP模型。 1958年，F.Rosenblatt等研制出了感知机 (Perceptron）。 (2)低潮(70-80年代初): (3)第二次热潮 1982年，美国物理学家J.J.Hopfield提出Hopfield模
神经网络在环境科学与工程中的应用
人工神经网络以其具有自学习、自组织、 较好的容错性和优良的非线性逼近能力，受到 众多领域学者的关注。在实际应用中，80%～ 90%的人工神经网络模型是采用误差反传算法
或其变化形式的网络模型（简称BP网络），目
前主要应用于函数逼近、模式识别、分类和数
据压缩或数据挖掘。
研究ANN方法
（1）生理结构的模拟：
用仿生学观点，探索人脑的生理结构，把 对人脑的微观结构及其智能行为的研究结合起 来即人工神经网络（Artificial Neural Netwroks，简称ANN）方法。
（2）宏观功能的模拟：
从人的思维活动和智能行为的心理学特性 出发，利用计算机系统来对人脑智能进行宏观 功能的模拟，即符号处理方法。
信 息 处 理
图 物 神 经 元 功 能 模 型 1 2 . 2 生
ANN类型与功能
人工神经网络研究的局限性
（1）ANN研究受到脑科学研究成果的限制。 （2）ANN缺少一个完整、成熟的理论体系。
（3）ANN研究带有浓厚的策略和经验色彩。
（4）ANN与传统技术的接口不成熟。
电 脉 冲 输 入 树 突 细 胞 体 形 成 轴 突 传 输 突 触 输 出
型，它是一个互联的非线性动力学网络他解决问题的方
法是一种反复运算的动态过程,这是符号逻辑处理方法 所不具备的性质. 1987年首届国际ANN大会在圣地亚哥 召开，国际ANN联合会成立，创办了多种ANN国际刊物。
神经网络基本模型
电 脉 冲 输 入 树 突 细 胞 体 形 成 轴 突 传 输 突 触 输 出
年5～12月全湖共26个采样点的实测值作为学习样本,一共 有26×8=208组数据。从这些数据中分别随机抽取1/4的数 据各52组作为检验样本和测试样本,其余的104组(占50%) 数据作为训练样本。每个样本均含有12个输入因子,分别
是风速、风向、水温、ｐＨ、ＤＯ、高锰酸钾指数、浊度、
ＴＮ、ＴＰ、叶绿素ａ、透明度、ＢＯＤ5。以浮游植物 作为输出因子。用2002年8月的各点的浮游植物数据进行 预测比较，
人工神经网络ANN及其 MAtlab仿真
引
言
• 利用机器模仿人类的智能是长期以来人们认识自 然、改造自然和认识自身的理想。 • 研究ANN目的： • （1）探索和模拟人的感觉、思维和行为的规律，
设计具有人类智能的计算机系统。
• （2）探讨人脑的智能活动，用物化了的智能来
考察和研究人脑智能的物质过程及其规律。
BP网络建模特点： •非线性映照能力：神经网络能以任意精度逼近任何非线性连续函 数。在建模过程中的许多问题正是具有高度的非线性。 •并行分布处理方式：在神经网络中信息是分布储存和并行处理的， 这使它具有很强的容错性和很快的处理速度。 •自学习和自适应能力：神经网络在训练时，能从输入、输出的数 据中提取出规律性的知识，记忆于网络的权值中，并具有泛化能 力，即将这组权值应用于一般情形的能力。神经网络的学习也可 以在线进行。 •数据融合的能力：神经网络可以同时处理定量信息和定性信息， 因此它可以利用传统的工程技术（数值运算）和人工智能技术 （符号处理）。 •多变量系统：神经网络的输入和输出变量的数目是任意的，对单 变量系统与多变量系统提供了一种通用的描述方式，不必考虑各 子系统间的解耦问题。
人工神经网络概述
• 什么是人工神经网络？
• T.Koholen的定义：“人工神经网络是由 具有 适应性的简单单元组成的广泛并行互连的网络， 它的组织能够模拟生物神经系统对真实世界物 体所作出的交互反应。”
脑神经信息活动的特征
(1)巨量并行性。
(2)信息处理和存储单元结合在一起。
(3)自组织自学习功能。
信 息 处 理
图 物 神 经 元 功 能 模 型 1 2 . 2 生 黑箱
一般而言, ANN与经典计算方法相比并非优越, 只有当常规方 法解决不了或效果不佳时ANN方法才能显示出其优越性。尤其对 问题的机理不甚了解或不能用数学模型表示的系统,如故障诊断、 特征提取和预测等问题,ANN往往是最有利的工具。另一方面, ANN对处理大量原始数据而不能用规则或公式描述的问题, 表现 出极大的灵活性和自适应性。
汤丽妮（成都信息工程学院） 《人工神经网络在生态环境质量 评价中的应用》，四川环境，2003，3
BP神经网络在环境科学与工程中的应用
由于BP神经网络具有优良的非线性逼近能力， 1994年以来，已在环境科学与工程的环境质量评
价与预测、监测点的优化布置、社会经济环境可
持续发展、污染物降解与释放、水（处理、生态） 系统的模拟与预测等方面获得了广泛的应用 。