神经智能信息处理系统的研究现状及其
神经网络与深度学习在通信系统中的应用研究
神经网络与深度学习在通信系统中的应用研究摘要:随着数字通信技术的不断发展，通信系统面临着越来越多的挑战和需求，如大规模数据传输、高效能量利用和可靠性提升等。
神经网络和深度学习作为人工智能领域的前沿技术，在通信系统中的应用研究引起了广泛关注。
本文旨在探讨神经网络和深度学习在通信系统中的应用现状、优势及挑战，并提出一些可行的解决方案和未来发展趋势。
关键词:神经网络；深度学习；通信系统引言在当今数字化时代，通信系统扮演着连接人与人、人与物的重要角色。
随着互联网和物联网的快速发展，通信系统面临着越来越多的挑战和需求。
传统的通信系统设计和算法已经无法满足日益增长的数据传输量、能量效率和可靠性等方面的要求。
神经网络和深度学习作为人工智能领域的前沿技术，在解决复杂问题和提高系统性能方面展现出了巨大的潜力。
神经网络通过模拟仿生神经元的工作原理，能够学习和适应不同的输入数据，从而实现智能决策和预测。
而深度学习则是在神经网络的基础上构建多层次的网络结构，并利用大规模数据进行训练和优化。
1.神经网络基本原理神经网络是一种模拟人脑神经系统工作过程的计算模型。
它由大量的神经元（计算单元）组成，这些神经元通过连接权重进行信息传递和处理。
通过学习训练，神经网络可以从输入数据中提取特征，并作出相应的预测或分类结果。
输入层接收外部输入的数据，将其转化为神经网络可处理的形式。
输入层的节点数量与输入数据的维度一致，每个节点代表一个特征。
隐含层是神经网络中介于输入层和输出层之间的一层或多层。
每一层都由多个节点组成，每个节点与上一层的所有节点相连，并通过激活函数来计算输出值。
输出层接收隐含层的输出，并产生最终的预测或分类结果。
输出层的节点数量根据具体的问题而定，可以是二进制输出、多类别分类或回归预测等。
2.深度学习介绍深度学习是一种基于神经网络的机器学习方法，其目标是通过多层次的神经网络模型来模拟和学习人类大脑的工作原理。
深度学习通过对大量数据进行学习和训练，可以自动地发现和提取数据的特征，从而实现对复杂问题的高效解决。
神经网络模型的研究现状及应用
神经网络模型的研究现状及应用随着近年来人工智能技术的进步，神经网络模型成为了热门研究领域之一。
神经网络模型是一种模仿生物神经网络结构与功能，并且进行信息处理的复杂数学模型。
神经网络模型已经被广泛应用于语音识别、图像处理、语言翻译、自动驾驶等领域，成为智能化时代的重要工具。
一、神经网络模型的研究现状神经网络模型的发展可以追溯到上世纪60年代，随着计算能力的提升和数学算法的不断发展，神经网络模型得以不断完善。
目前，神经网络模型经历了多个版本的迭代更新，其中比较重要的有感知器、多层感知器、全连接神经网络、卷积神经网络、循环神经网络等。
感知器是最早出现的神经网络模型，由于其简单、易于实现等优点被广泛应用于数值预测等领域。
但是感知器的局限性也很明显，比如只能处理线性可分的问题，所以在处理更加复杂的问题上显得不太够用。
多层感知器是感知器的升级版，通过增加隐藏层使得神经网络模型可以处理非线性问题。
全连接神经网络则进一步加强了神经元之间的连接，实现了更加高效的信息交流。
卷积神经网络则是基于孪生神经元的结构，可以更加有效地处理图像、语音等信息。
而循环神经网络则可以更好地处理时序性数据，如自然语言处理等系统。
除了上述几种比较经典的神经网络模型外，还有一些衍生出来的新型神经网络模型，如生成对抗网络、变分自编码器等，这些模型都有着新增加的特性，可以应用在更多的领域。
二、神经网络模型的应用随着神经网络模型的不断升级和完善，越来越多的领域都开始尝试引入神经网络模型，并且取得了一定的成效。
在语音识别领域，谷歌的语音识别系统就采用了卷积神经网络和递归网络的方法，大大提升了语音的识别精度。
在图像识别领域，卷积神经网络已经成为了不可或缺的技术，诸如谷歌、微软、Facebook等巨头公司都将其应用在了图像识别领域，并且在ImageNet大规模视觉识别竞赛中取得了不俗的成绩。
在自然语言处理领域，循环神经网络和长短时记忆网络已经成为了解决序列化任务的必备工具。
智能医疗系统的研究与应用
智能医疗系统的研究与应用随着科技的不断发展和进步，智能医疗系统的研究和应用也越来越广泛，成为医疗领域的重要课题之一。
智能医疗系统是指通过计算机技术、人工智能等新兴技术，对医疗信息进行处理和分析，实现疾病诊断、治疗、预测等临床应用的系统。
本文将简要介绍智能医疗系统的研究背景和现状、应用场景和未来发展方向等相关内容。
一、研究背景和现状智能医疗系统的研究始于上世纪60年代末期，当时主要应用人工神经网络技术实现疾病诊断。
随着计算机技术和互联网技术的快速发展，智能医疗系统逐渐向着更广泛、更深入的方向发展。
到了21世纪，智能医疗系统已经广泛涉及到疾病预测、个性化医疗、智能家庭医疗等多个领域。
目前，智能医疗系统主要应用于以下几个方面：1.疾病诊断与预测通过计算机技术和机器学习方法，智能医疗系统可以对疾病进行快速和准确的诊断。
例如，利用人工神经网络算法对图像进行分类和诊断，可以实现快速准确的肝癌诊断。
同时，通过分析病历数据、生理指标和医学影像等信息，智能医疗系统可以预测患者病情的发展趋势，为临床医生提供重要的参考信息。
2.远程医疗服务远程医疗是智能医疗系统的另一个主要应用方向。
通过互联网、移动端等技术手段，可以实现医生与患者之间的远程会诊和病情监测。
例如，某些心血管病患者需要在家庭日常生活中监测自己的心率、血压等指标，并通过远程医疗服务得到及时的医学指导。
3.智能家庭医疗智能家庭医疗是智能医疗系统的一个新兴领域。
通过智能家居设备和传感器等手段，可以对人体健康状态进行监测和记录，并根据此类数据提供相应的个性化医疗服务。
例如，某些老年人需要定时进行血压、血糖、体温等指标的监测，在智能家庭医疗系统的支持下，可以实现随时随地的监测和预警。
二、应用场景目前，智能医疗系统已经应用于多个场景，包括临床医疗、家庭医疗、社区服务等。
1.智能诊断智能诊断是智能医疗系统应用的主要场景之一。
利用计算机技术、人工智能等手段，可以快速准确地对各种疾病进行诊断，为临床医生提供重要的辅助决策支持。
人工智能的发展现状与我对人工智能的认识期末论文
人工智能的发展现状与我对人工智能的认识一．人工智能学科的认识1.人工智能简介摘自百度人工智能（Aritificial Intelligence，AI）是计算机科学的一个分支，它企图了解智能的实质，并生产出一种以人类智能相似的方式做出反应的智能机器。
人工智能的目的是模拟人的意识、思维的信息过程。
就目前来说，该领域的主要研究方向包括：机器人、语言识别、图像识别、自然语言处理和专家系统等，用来替代人类实现识别、认知、分类和决策等多种功能。
MIT教授认为人工智能是针对思想，感知，行动的支持模型建立的表示系统。
在我看来，对人工智能的学习，更是对人思维模型的认识与探索。
2.AI简史埃达洛夫莱斯是世界第一位编程师，她说：“分析引擎不呢个自命不凡，认为无论什么问题都能解决。
”这个观念流传至今，仍在AI领域发挥着不可撼动的地位。
人工智能的诞生注定是不凡的，在20世纪40年代和50年代，来自不同领域（数学，心理学，工程学，经济学和政治学）的一批科学家开始探讨制造人工大脑的可能性。
1956年，人工智能被确立为一门学科。
综合复杂知识领域的交错，让人工智能的发展也举步维艰。
、是从宏观的角度来讲，人工智能的历史按照所使用的方法，可以分为两个阶段，分水岭大概在1986年神经网络的回归——在前半段历史中，我们主要使用的方法和思路是基于规则的方法，也就是我们试图找到人类认知事物的方法，模仿人类智能和思维方法，找到一套方法，模拟出人类思维的过程，解决人工智能的问题。
后半段的历史，也就是我们现在所处的这个时期，我们主要采取的方法是基于统计的方法，也就是我们现在发现，有的时候我们不需要把人类的思维过程模拟出一套规则来教给计算机，我们可以在一个大的数量集里面来训练计算机，让它自己找到规律从而完成人工智能遇到的问题。
、以下则是人工智能的发展历程：一是起步发展期：1956年—20世纪60年代初。
人工智能概念提出后，相继取得了一批令人瞩目的研究成果，如机器定理证明、跳棋程序等，掀起人工智能发展的第一个高潮。
神经网络研究及其应用
神经网络研究及其应用神经网络是一种仿生学的计算模型，它能够对输入信息进行分类、识别等操作，并且能够学习和适应新的数据集。
神经网络的研究和应用已经逐渐成为计算机科学、人工智能和机器学习领域的热点。
本文将探讨神经网络在不同领域中的应用，并且简单介绍神经网络的原理。
一、神经网络原理神经网络的工作原理是受到人类神经系统的启发。
神经网络包含了若干层神经元和连接这些神经元的权重。
在神经网络的输入层，数据经过一系列的加权运算，然后将得到的结果传递给下一层神经元，直到输出层产生输出结果。
在这个过程中，神经网络会不断地对输入数据进行调整，直到得到期望输出结果。
二、神经网络在图像识别中的应用神经网络在图像识别中的应用非常广泛。
在深度学习领域，卷积神经网络（CNN）被广泛应用于图像识别任务和人脸识别任务。
CNN通过卷积操作可以提取输入图片的特征，然后通过全连接神经元层来实现图片的分类。
例如，对于人脸识别任务，可以使用神经网络提取人脸图像中的关键特征，比如眼睛、鼻子、嘴巴等区域，然后通过与存储在数据库中的人脸图像进行比对，就可以完成识别任务。
通过不断地输入新数据进行训练，神经网络可以不断优化模型的准确率。
三、神经网络在自然语言处理中的应用在自然语言处理领域，神经网络被广泛用于机器翻译、文本分类、情感分析等任务。
机器翻译是神经网络最初的应用之一。
现在，Seq2Seq模型被广泛使用来实现翻译，它主要由编码器和解码器组成。
编码器将输入翻译语句编码为一个向量，并且将这个向量传递给解码器用于翻译。
解码器不断地生成目标语言中的新单词，直到生成完成翻译任务。
情感分析是神经网络在自然语言处理中的另一种重要应用。
通过使用递归神经网络（RNN）和长短时记忆网络（LSTM），可以预测某个句子中的情感极性（如正面、负面）。
这种技术可以用于产品评论、社交媒体分析、客户服务等场景。
四、神经网络在推荐系统中的应用推荐系统是一种通过分析用户行为和偏好进行个性化推荐的系统。
神经网络的现状与发展趋势
神经网络的现状与发展趋势一、引言人工神经网络（Artificial Neural Network, ANN）是一种通过模拟人类神经系统实现信息处理、表达和识别的计算模型。
自 1943 年 McCulloch 和 Pitts 提出 ANNs 模型以来，神经网络成为了人工智能领域研究的热点之一，并在计算机视觉、语音识别、自然语言处理、数据挖掘、模式识别等方面取得了卓越成果。
随着技术和应用的不断深入，神经网络技术也在不断发展和成熟。
本文将阐述神经网络的现状与发展趋势。
二、神经网络的现状1.神经网络应用领域广泛神经网络现在应用在各个领域中，包括医疗、金融、保险、制造业、游戏等。
在医疗领域中，神经网络广泛应用于癌症筛查、药物研发、疾病预测等方面；在金融领域中，神经网络被用于股票价格预测、风险评估、欺诈检测等方面；在游戏领域中，神经网络被广泛用于图像处理、行为预测等方面。
神经网络在这些领域中具有较高的精度和灵活性，成为了人工智能技术中不可或缺的一部分。
2.深度学习技术的广泛应用深度学习作为神经网络技术的分支之一，逐渐成为了人工智能应用的主流。
深度学习通过多个隐层来逐步提取数据的高层次特征，大幅度提高了模型的准确性和鲁棒性。
目前，深度学习模型已经迅速应用于语音识别、机器翻译、自然语言处理、图像、视频等多个领域中。
深度学习的发展极大地促进了人工智能技术的研究和应用。
3.大数据技术的支持大数据技术是神经网络技术得以快速发展和应用的重要因素。
神经网络需要大量的数据进行训练和调整，而大数据时代的到来使得海量数据的存储和挖掘变得更加容易。
此外，人工智能应用也逐渐从精准分析转向预测和决策，并需要从大规模数据中发现规律和趋势。
大数据技术在神经网络技术的发展和应用中发挥了重要的作用。
三、神经网络的发展趋势1.自适应神经网络的发展传统的神经网络技术需要大量的人工调试和参数设置，而自适应神经网络技术可以根据自身的表现动态调整参数，自我进化。
物理信息神经网络的应用与研究进展
物理信息神经网络的应用与研究进展1. 物理信息神经网络概述物理信息神经网络(Physical Information NeuralNetworks,PINNs)是一种将物理学原理与人工神经网络相结合的方法，旨在解决复杂的物理问题。
这种方法利用了神经网络的强大学习能力，以及对非线性、时变和非高斯数据的处理能力。
PINNs在许多领域都有广泛的应用，如气象预测、地震预测、流体力学、电磁场分析等。
物理信息神经网络的核心思想是将物理系统中的观测数据作为输入，通过训练神经网络来学习这些数据的内在规律。
这种方法可以自动提取数据中的复杂特征，从而提高问题的求解精度和效率。
与传统的数值方法相比，PINNs具有更高的灵活性和鲁棒性，可以在更广泛的物理场景中发挥作用。
随着深度学习和人工智能技术的快速发展，物理信息神经网络的研究取得了显著的进展。
研究人员提出了许多改进和优化的方法，如自适应正则化、多模态融合、集成学习等，以提高神经网络的性能和泛化能力。
还有一些研究关注如何将物理信息神经网络与其他方法相结合，以实现更有效的问题求解。
物理信息神经网络作为一种新兴的计算方法，已经在许多领域展现出巨大的潜力。
随着研究的不断深入和技术的不断发展，我们有理由相信，物理信息神经网络将在未来的科学研究和实际应用中发挥越来越重要的作用。
1.1 物理信息的定义与分类基础物理信息：包括温度、压力、速度、加速度等物理量的基本测量数据，这些基础物理信息是物理学研究的基础。
结构物理信息：涉及物质的结构信息，如晶格结构、分子结构等，这些信息对于材料科学和固体物理学尤为重要。
动态物理信息：描述物质世界的动态变化过程，如波动现象、电磁场变化等，对于研究物理过程和现象的变化规律至关重要。
复合物理信息：在某些特定环境下，由多种物理量共同作用产生的复合信息，如热力学中的热质传递过程涉及到的热量与物质的交互作用等。
这类信息对于复杂系统的研究和模拟非常重要。
1.2 神经网络的基本原理神经网络是一种模拟生物神经系统结构和功能的计算模型，它由大量的神经元相互连接而成。
神经网络控制技术研究及其应用
神经网络控制技术研究及其应用神经网络控制技术是一种将人工神经网络应用于控制系统的技术，它是近年来发展非常迅速的一种新兴技术。
神经网络控制技术具有自适应性和学习能力等优点，可以较好地解决传统控制技术无法解决的问题，因此在航天、工业、交通等领域得到了广泛应用。
一、神经网络控制技术的基本原理神经网络是一种模拟生物神经网络的计算模型，它由许多互相连接的处理单元组成，每个单元都能够接受、处理并传递信息。
神经网络控制技术通过建立神经网络模型实现对复杂控制系统的控制。
根据神经网络的学习能力，可以通过输入输出数据来训练神经网络模型，不断修正连接权值，使得神经网络的输出符合系统的实际要求。
同时，神经网络也可以实现自适应控制，根据系统的实时响应情况，调整控制策略，使系统始终处于最佳工作状态。
二、神经网络控制技术的应用1. 工业自动化在工业自动化领域，神经网络控制技术可以广泛应用于电力系统、化工过程、废气处理等方面。
例如，在电力系统中，神经网络控制技术可以根据电网的实时负荷情况进行自适应调节，实现对电力系统的优化控制，提高其稳定性和可靠性。
2. 交通运输在交通运输领域，神经网络控制技术可以被应用于智能交通系统、车辆控制、航空航天等方面。
例如，在智能交通系统中，神经网络控制技术可以根据道路流量情况自适应调节信号灯时间，优化交通流量，提高道路通行效率。
3. 机器人控制在机器人控制领域，神经网络控制技术可以被应用于机器人动作规划、姿态控制、机器人视觉等方面，可以实现复杂机器人控制和运动控制。
例如，在机器人视觉方面，神经网络控制技术可以通过对大量图像进行学习和识别，实现智能机器人视觉控制。
三、神经网络控制技术的发展趋势随着信息技术的飞速发展，神经网络控制技术也将得到进一步的拓展。
未来，神经网络控制技术将在多智能体控制、网络化控制、自主控制等方面发挥更大作用。
此外，基于深度学习的神经网络控制技术也是一个重要的发展方向，它将更好地应用于各种控制系统中，实现更为高效和智能的控制。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
文章编号:100126791(2000)0120105206神经智能信息处理系统的研究现状及其在水文水资源中的应用展望α张 翔1,丁 晶2(1.武汉水利电力大学,湖北武汉430072;2.四川大学水利系,四川成都610065)摘要:从神经网络(NN ),模糊系统(FS )和进化算法(EC )三者相结合的角度,介绍了神经智能信息处理系统的研究现状,讨论了该系统在水文水资源中的应用,并对其应用发展趋势进行了预测。
关 键 词:神经网络;模糊系统;进化算法;水文水资源中图分类号:TV 214;G 353111 文献标识码:A近年来,钱学森教授等提出了开放的复杂巨系统的概念[1],开放的复杂巨系统有三个主要的特征,即系统本身与系统周围的环境有物质、能量、信息的交换,是“开放的”;巨系统包含很多子系统,子系统的种类繁多,是“复杂的”。
水文系统在某种程度上具有开放的复杂巨系统的特征,随着水文尺度由微观到中观、宏观,水文系统的复杂性和不确定性就愈突出,表现有空间变异性、单元与系统的不一致性、模型的再参数化及不同尺度模型耦合等问题[2]。
由于研究开放的复杂巨系统必须处理大量的信息和知识,这些信息和知识既有确定性的,又包含不确定性的,单一的定性解释或单一的数学模型都无法完全地处理和利用它们,因此宜采用从定性到定量的综合集成方法[1]。
综合集成的一个重要内容是应用知识工程、智能信息处理等方法,以处理系统的不确定的、复杂的信息和知识。
在这方面,人工智能、专家系统、模糊系统和神经网络等技术提供了有效的处理手段,特别是神经网络(NN )与模糊系统(FS )、进化算法(EC )的结合为解决系统建模、寻优、清晰化等方面的问题提供了新的途径。
鉴于此,笔者从新型智能信息处理系统(N eu ral ln telligen t lnfo rm ati on P rocessing System ,N IIPS )的研究对象出发,介绍它的最新研究现状,并阐述它在水文水资源中的应用前景。
1 神经智能信息处理系统的研究对象N IISP 是NN 与FS 、EC 等学科交叉、渗透而形成的新型智能处理系统,其积极意义在于促进基于计算的和基于物理符号相结合的各种智能理论、模型、方法的综合集成,以利于发展思第11卷第1期2000年3月 水科学进展ADVAN CES I N W A T ER SC IEN CE V o l 111,N o 11 M ar 1,2000 α收稿日期:1997209218;修订日期:1998201214基金项目:国家自然科学基金资助项目(49571017)。
作者简介:张翔(1969-),男,北京人,武汉水利电力大学博士后,主要从事水文预报、洪水风险分析、可持续发展研究。
601水科学进展第11卷想更先进、功能更强大、能解决更复杂系统的智能行为[4]。
它可应用于智能机器人系统、复杂工业过程控制系统、交通运输系统、资源环境系统、社会经济管理系统等,它的应用对象应具有以下一些特点:(1)不确定性的模型 N IISP不需要建立对象的精确模型,能解决研究对象模型的不确定性问题。
(2)高度的非线性 N IISP为非线性建模提供了强有力的手段,是解决复杂非线性问题的一条出路。
(3)复杂的信息类型 人们在处理复杂问题时,越来越感到不确定性信息的重要性,如模糊信息、灰色信息、及以结构性语言知识形式出现的专家经验等,传统确定性模型无法处理,而N IISP可以满足应用要求。
2 神经智能信息系统的研究现状神经网络的研究可追溯到本世纪40年代,而真正大规模的兴起是始于80年代初期。
目前,神经网络的研究正向生物智能方向发展,由神经计算导向“计算智能”[4],NN与FS、EC结合而产生的新型智能信息处理系统是主要的研究方向之一。
NN以生物神经网络为模拟基础,具有自学习、自适应、自组织、高度非线性和并行处理等优点:FS则以模糊逻辑为基础,抓住了人类思维中的模糊性特点,以模仿人的模糊综合判断推理来处理常规方法难以解决的模糊信息处理的难题。
NN与FS各有优点,但要真正实现智能模拟,单纯使用一种方法是很难做到的,因此将两者结合起来研究也就成为了一种必然的趋势。
NN与FS的结合方式有多种,每一种方式构成的网络处理问题的特点也不相同,但主要可分为两类。
一类是以B art Ko sko的研究为代表的模糊联想记忆网络系统(FAM),该系统的处理方式和处理思想代表了模糊规则获取和利用的一个主要发展趋势[7];另一类是在探索NN与FS在函数逼近特性相似的基础上,采用NN的多层前馈网络结构方式,实现不同种类的模糊逻辑运算,这方面的主要研究有Kaw am u ra等人建立的模糊2神经协作系统,该模型具有经训练而获得模糊规则加权系统的功能[8]、L in等人给出的一种基于神经网络的模糊逻辑控制和决策系统[9]、W erbo s提出的一种融模糊逻辑与NN于一体的弹性模糊逻辑技术[10]以及Keller等人提出的一种实现模糊逻辑推理的神经网络结构[11]、张良杰和李衍达提出的子波型模糊神经网络[5]等。
EC或称为遗传算法(GA)、基因算法,它是从自然界生物进化机制获得启示的,近年来, GA与NN的结合是热门专题之一。
文献[12]在参考分析数十篇文献的基础上,将GA与NN 的结合方式可分为辅助式和合作式两种。
对于辅助式结合[13～17],GA不仅能为NN选择训练数据,也可用来选择网络的学习参数或学习规则,而且可利用GA解释或分析NN的结果;对于合作式的结合[18～20],可以利用GA来训练网络,并可利用GA来自动设计网络结构。
在以NN 与FS的结合为模型基础的神经智能信息处理系统的研究中,利用GA探索模糊规则的自动获取技术已成为一个研究热点。
如张良杰、李衍达等在对GA研究时[5],基于组合理论与概率统计思想,对常规GA的交配方式进行了改进,并给出了改进技术的数学模型及其两种实现方案——“环形对分”与“均匀交换”,然后利用模糊推理来确定突变概率,使在搜索的各个时期,突变概率均有最优的选择;D u rm itrache[21]等人给出了一种基于GA的模糊神经网络的细调方法,即将网络性能的代价函数包含于GA 的适合度评价函数中,用GA 来获得规则权。
从当前的研究状况可看出,模糊规则的提取与利用、模糊神经网络的结构、神经网络的模糊输入、不确定信息在网络中的传播、最终结果的理解以及相应的学习算法等仍将是继续深入的研究方向。
3 神经智能信息处理系统在水文水资源中的应用展望311 水文水资源系统的复杂性水文水资源系统的复杂性主要表现为下列三方面:(1)无法建立描述水文现象的精确数学模型 水文现象十分复杂,人们至今还不能用数学物理方程严格地描述每一个子过程[22],仍要受许多假设条件的限制和借助于概念性元素模拟或经验函数关系来描述,这样的模拟往往只是对实际水文过程的近似模拟,因而模拟精度不高。
(2)水文系统是一个高度非线性的系统 水文系统以降雨为输入,径流为输出,从降雨到径流,中间要经过复杂的过程,其中包括蒸发、下渗、产流、汇流等环节,受到地形、地貌、下垫面因子、土壤、地质及人类活动等多种因素的影响[23],因此水文系统具有高度的非线性特征。
(3)水文水资源研究中的不确定性 在水文水资源中,存在研究对象发生与否的不确定性(随机性)、研究对象概念的不确定性(模糊性)、研究对象信息量不充分而出现的不确定性(灰色性)等不确定特征Ξ。
另外,对于缺乏水文资料或人类活动影响剧烈的流域以及水资源评价与利用、水库调度的研究中,常常遇到难于用数学语言精确描述的信息,它们通常以规则的形式出现,这也是水文水资源研究中要充分应用的信息。
312 水文水资源神经智能信息处理系统的研究趋势从以上的分析,可以看出水文水资源问题是一个极其复杂的问题,它具有模型的不确定性、系统的非线性、信息的不确定性等特征。
正如前面所指出的,基于NN 、FS 与EC 三者相结合的新型智能信息处理系统——神经智能信息处理系统具有解决象水文水资源这样的复杂问题的能力。
神经网络是N IISP 的主体模型,它在水文水资源中的应用研究虽然只有几年的时间,但不少水文科技工作者在分类和识别问题、预测预报问题、优化计算问题、基于NN 的专家系统研制与开发问题[25]等方面进行了广泛的探讨。
近一段时期,针对NN 在模型结构选择、学习算法、网络清晰化等问题,开展了建立更符合水文水资源问题求解的模型的研究。
笔者在最近的研究中,将洪水形成规律的先验知识与NN 结构的确定相结合,提出了一种新型的短期洪水预报的B P 网络模型,实际应用表明它比传统B P 网络具有较高的预报精度[24];Yang Rongfu 在他的研究工作中,针对解决水文变量的相依性,提出了输出反馈网络,又用一个辅助神经元来模拟流域的未知信息,如前期降雨、流域湿度、土壤含水率、流域河网蓄水量等,建立了辅助输出反馈网络,并用具有记忆能力的惯性网络,模拟了水文系统较强的短时记忆特征和较弱的长时记忆特征,他提出的三种网络针对性强,对如何建立更符合水文规律的网络模型提供了可借鉴的经验;文献[23]分析了NN 与水文系统的联系,指出了NN 应用与水文预报的可行性,并将701 第1期张 翔、丁 晶:神经智能信息处理系统的研究现状及其在水文水资源中的应用展望Ξ()801水科学进展第11卷NN与信息论中的编码理论相联系,提出了灰色人工神经网络模型,克服了网络过于庞大,很难收敛,以及训练出来的网络联想能力不强的问题。
由最近的研究可看出,神经网络在水文水资源中的应用研究已由初步探讨深入到了如何建立更符合解决实际问题的网络上了,这无疑将会推动神经网络更广泛的应用。
但是,由于水文水资源问题的复杂性,单用NN是无法全面解决的,如目前NN多局限于处理数值数据,对模糊信息、先验知识、专家经验等许多有用的信息还不具处理能力,也就是说“智能处理”能力还不够,因此,结合前面指出的神经网络理论的研究方向,在水文水资源中应用基于NN、FS和EC三者结合的N IISP,应是今后的研究重点。
在这方面,笔者应用模糊联想记忆网络模型(FAM)进行了短期洪水预报的首次尝试[26],取得了满意的精度,该模型对缺乏水文资料或水文测验误差较大、资料不正确的流域,提供了应用专家经验进行智能预报的途径,并对如何应用专家经验进行实时校正有借鉴作用。
FAM在应用中,模糊变量的隶属函数一般由专家给出,从网络功能来看,它不具备通过自学习进行隶属函数寻优的功能,如何应用模糊逻辑推理网络模型进行隶属函数的调整,以使其更符合实际的研究正在进行中。
NN与FS的结合作为N IISP的模型主体,EC与它们的结合在理论上的研究前面已做了介绍,EC作为一种全局最优算法,它在水文水资源中的应用也正在探讨中,如W ang[27]用GA来率定降雨2径流概念模型的参数;F ranch in i[28]则将其与一种局部搜索方法相结合,用于降雨2径流概念模型参数的自动率定;R itzel和Eheart[29]、C ien iaw sh i[30]等将其应用于地下水污染治理、多目标地下水观测问题等。