神经网络法在确定海水入侵区开采量阈值上的应用.doc

人工神经网络法确定海水入侵区开采量阈值 海水入侵是滨海地区常见的一种自然地质灾害，海水入侵区开采量阈值海水入侵开采量阈值的准确程度直接关系到该地区是否能够做到地下水资源的可持续开发利用。人工神经网络开采量阈值 人工神经网络海水入侵开采量阈值人工神经网络方法 人工神经网络是以工程技术手段模拟人脑神经网络的结构和功能特征的一种技术系统，它用大量的非线形并行处理器来模拟众多的人脑神经元，用处理器间错综灵活的连结关系来模拟人脑神经元间的突触行为，以实现大脑的感知和学习功能。由于它具有大规模并行处理、分布式存储、自适应性和高度的容错性等许多优良特性，目前已广泛应用与各个领域，并在模式识别、知识处理、非线性优化等方面取得了重大进展。 人工神经网络的类型很多，而BP（即反向传播算法）网络是应用最广泛、效果最好的方法，故一般地下水研究中选用的网络模型即为BP网络。其基本网络由三层组成，即输入层（I层）、中间隐含层（H层）、输出层（O层）。网络的基本结构如图1所示。信息由I层输入网络后单向流动，经H层变换，最后由O层输出。人工神经网络中的I层、O层单元数是由具体问题的输入层参数和输出层参数来确定的，而H层的单元数则由具体问题的复杂程度、误差下降情况等来确定。 图1 BP网络结构示意图 图中符号说明： I层—输入层； H层—中间隐含层； O层—输出层； W1—I层与H层神经元间的连接权； W2—O层与H层神经元间的连接权； X—输入矢量； Y—输出矢量。 BP网络间连接权W1、W2在网络的学习过程中不断地得到修正，使得这两组权所构成的网络能实现学习样本中输入参数与输出参数间的特定映射关系，权的分布体现了各输入分量在输入矢量中所占特征强度的分布。网络学习的方法有多种，这里采用的是梯度下降法。网络节点的激发函数采用Sigmoid函数，即f(x)=1/(1+e-x)。 此种方法适用于输入量与输出量之间存在某种特定的关系，这种关系很难用简单的数学方程式加以描述，是高度的非线性关系。通过对海水入侵区地下水Cl-浓度、海水入侵面积、地下水的开采量和相应地区的降水量进行分析，发现海水入侵区地下水的Cl-浓度和海水入侵面积明显地受控于该地段的地下水开采量和降水量，而他们之间的关系又非简单的数学方程式所能表达，为此，根据已有资料及海水入侵情况，选择典型区域为研究对象，建立了人工神经网络模型。具体为选择地下水开采量和降水量作为BP网络模型的输入单元，地下水的Cl-浓度和海水入侵面积作为其输出单元。该网络模型的中间隐含层单元数由计算时网络模型的误差下降情况来确定。 此方法中海水入侵面积、地下水开采量及降水量均针对研究区整体而言，所需Cl-浓度为研究区的平均值，但在资料相对较少的情况下，可取用几个有代表性观测点的平均值，一观测井资料。 甘井子区为例，采用人工神经网络技术建立起海水入侵预测模型。选用了1984～1994年甘井子区地下水开采量和相应地区的降水量、地下水中Cl-浓度和海水入侵面积资料的11个样本，对网络模型进行训练，表1列出了不同隐含层单元数时，网络模型的误差下降情况。 表1 不同隐含层单元时误差下降情况 times nh=5 nh=6 nh=7 nh=8 nh=9 nh=10 10 1.88E-01 1.79E-01 1.84E-01 1.80E-01 1.82E-01 1.72E-01 20 1.84E-01 1.82E-01 1.83E-01 1.81E-01 1.83E-01 1.80E-01 30 1.83E-01 1.81E-01 1.82E-01 1.81E-01 1.82E-01 1.81E-01 40 1.83E-01 1.82E-01 1.82E-01 1.81E-01 1.82E-01 1.81E-01 50 1.82E-01 1.80E-01 1.81E-01 1.79E-01 1.81E-01 1.79E-01 60 1.86E-01 1.84E-01 1.86E-01 1.84E-01 1.86E-01 1.85E-01 70 1.84E-01 1.81E-01 1.83E-01 1.80E-01 1.83E-01 1.81E-01 80 1.83E-01 1.79E-01 1.81E-01 1.78E-01 1.81E-01 1.78E-01 90 1.83E-01 1.78E-01 1.81E-01 1.77E-01 1.80E-01 1.77E-01 100 1.83E-01 1.78E-01 1.80E-01 1.77E-01 1.80E-01 1.77E-01 200 1.82E-01 1.74E-01 1.78E-01 1.74E-01 1.77E-01 1.73E-