|
|
|
BP神经网络在环境科学与工程应用中的若干问题
|
| |
摘要 论述了基于误差反传算法的MLP网络（简称BP网络）在环境科学与工程应用中建模时应注意的若干问题。主要包括：样本数据的收集与整理分组，输入/输出变量的确定及其样本数据的预处理，隐层数及其节点数的选取原则，神经网络训练以及学习率和冲量系数的选取，神经网络模型性能及其泛化能力的准确评价，网络初始连接权值的影响等。针对上述问题，分别提出了普遍的处理方法、步骤以及必须遵循的一些原则，对环境领域正确地利用BP网络，建立结构合理、性能可靠的具有较好实用意义的神经网络模型提供指导和参考。
关键词：环境科学与工程 BP神经网络 应用 训练 泛化能力
1 前言
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）[1～5]，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。
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。国内外已有部分学者对应用实例作过一些详细综述[6～10]，但在如何建立合理的神经网络模型等方面几乎没有文献论述过。而且，由于部分学者对神经网络理论本身了解不多，套用人云亦云的建模方法和步骤，出现了不少错误的应用实例。本文旨在分析并提出在环境科学与工程领域应用BP网络建立合理神经网络模型的一般原理和步骤，提高BP网络模型的应用水平，更好地为环境科学研究服务。
|
|
|
|
|
|
|
|
|
| 广告载入中... |
| 广告载入中... |
| 广告载入中... |
|
|
|
|
|
教育论文中心