人工神经网络在森林资源管理中的应用

人工神经网络在森林资源管理中的应用3

林辉1 彭长辉2

(1中南林学院资源与环境学院,湖南株洲市412006;

2M in istry of N atu ral R esou rces ,O n tari o Fo restry R esearch

In stitu te ,Sau lt Ste .M arie ,O n tari o P 6A 2E 5,Canada )Ξ

摘要　传统的数量方法难以解决森林资源管理中的更多的非结构性问题。人工智能新技术能将人类积累的知识传输到决策支持系统中,作为人工智能的一个分支,人工神经网络已经成为一个在传统统计方法之外,十分引人注目的新方法,并开始用于预测生物系统中的非线性行为。文中从人工神经网络在森林立地分类和制图,森林生长和动态模拟、空间数据的分析和拟合、植物病虫害动态的预测及气候变化研究等方面的应用进行综合评述。并对人工神经网络在应用中的优缺点,存在的问题和局限性,以及对未来的前景等提出了自已的初步看法。关键词　人工神经网络　森林资源管理　黑箱　花粉

多年来,森林资源研究人员和管理人员使用经典的统计模型或复杂的数学模型预测不同的管理方式和行为所带来的结果,以及利用这些预测的信息来帮助决策的制定。这些模型通常以数学方法的形式表述。然而,有些决策制定过程中包含一些自身不能并入的数学方程的定性的成份。正如Gi m b lett 和B all (1995)指出的那样:资源管理决策的制定过程常常引起一些问题的复杂性超越经典的统计技术,有些需要更多的启发式的研究,而不是数学计算。对许多实际情况,统计模型不能用来解决森林资源管理中更多的非结构性问题。

人工神经网络(A rtificial N eu ral N etw o rk ,ANN )是人工智能的一个分支(A rtificial In telligence ,A I ),通常也叫做并行分配计算处理(Parallel D istribu ted P rocessing ,PD P ),它是一种模仿人脑和神经网络系统的功能并进行简单模拟计算的形式。ANN 传统地被用来实现人脑本能性所产生的识别工作,包括:对相似面目,语言及文字和手写的特征识别。然而,随着计算机技术的迅速发展,ANN 的应用领域不断开拓,应用的数量不断增加。近10年来,ANN 的预测技术已经成功地用于经济、商业、水资源、生态学和空间数据分析等领域。尤其是最近几年,ANN 在林业科学中的应用日益增加,并已成为在传统方法之外,用于预测和模拟森林系统中非线性行为和复杂问题的新方法[1]。

第15卷　第3期 世　界　林　业　研　究 V o l .15　N o.32002年6月 W o rld Fo restry R esearch Jun .2002

Ξ本文由湖南省教育厅科研项目和中南林学院青年基金重点项目资助。收稿日期:2001-10-12

1　ANN 的主要特征

自1943年第一个ANN 的原型产生以来,相继发展了30个左右不同类型的ANN 。Su i (1994)简要地评述了10个最著名的ANN 的特征和范式。其中在自然资源管理中最常用的一个分支就是反向传播反馈网络(B ack 2p rop agati on feed 2fo rw ard netw o rk ),也叫多层感知网络(M u lti 2layer p ercep ti on netw o rk ,M L P )[2]。这里仅以反向传播网络为例,对ANN 的主要特征作一个简单的介绍。

1.1　ANN 的结构

ANN 是一种由许多小的处理单元(PE ,P rocessing elem en ts )或叫做结点(N odes )结合在一起的并行计算方法。PE 通常由3个神经原(N eu ron )组成:输入层用来给网络输入数据;输出层是对输入数据产生的响应;居入中间的一层或多层叫做隐层。在不同层中的PE 部分或全部地互相连接。这些连接与对应结点的权重(W eigh t )相关,权重常常根据连接的强弱进行调整。

1.2　ANN 的运行

在多层反向传播网络的算法中,经过网络传播的数据在输入层开始剌激输入的模式,直到在输出层产生一些激活输出。每一个PE 或结点接收来自前一层的权重后输出。在前一层,总输入的结点(net j )是权重输入的总和,即:

net j =W ij X i (1)

权重W ij 表示在结点i 和j 之间的权重值,X i 表示来自结点i 的输出。

然后,输入结点通过一个非线性的S 型曲线产生结点的输出(Y j ),Y j 被传输到其它结点的权重后的输入路径。对于给定的结点j ,其输出可用下列公式计算:

Y =f (net )=1

[1+exp -(net j +b )] (2)参数b 叫做偏差值,权重(W )是根椐目标值与估算值之间的最小偏差来估算的。

1.3　学习和训练

学习(L earn ing )和训练(T rain ing )是几乎所有神经网络的基础。训练是网络的学习过程,而学习是训练过程的最终结果。学习包括网络对权重进行系统的改变,改进网络的操作和响应,使之能达到可以接受的标准。网络通过学习过程来不断调整相互连接的在不同单层之间的权重,并且从寻找在输入和输出层之间的线性关系着手。权重值然后被分配给连接输入和输出层间的神经原(N eu ron s )。一旦这种关系确定,神经原就被分配给隐层,以便能找到非线性关系。训练的目的是寻找能产生最小偏差的权重。在训练过程中,平均平方根偏差值(M ean squared erro r )是网络根据预测的输出值〔Y (t )〕

与实际需要的输出值A (t )之间的差值来估算的。即有偏差(E )在时间t 内可表示为:

E (t )=0.5S [Y (t )-A (t )]2 (3)

学习算法(L earn ing algo rithm )不断改变与每个处理单元(PE )有关的权重(W ),以保证网络系统在目标输出和网络实际输出之间的误差达到最小。这种反向传播算法是训练多层感知网络(M L P )最直观的方法。有关学习算法的详细解释可以参阅大多数有关

ANN 的教材和书本[3]。

32第3期 林辉　彭长辉:人工神经网络在森林资源管理中的应用