前馈神经网络(FFNN)和自适应神经网络模糊推理系统(ANFIS)模型评价地下水位的对比研究.docVIP

前馈神经网络(FFNN)和自适应神经网络模糊推理系统(ANFIS)模型评价地下水位的对比研究 [印度]P. D. Sreekanth，P. D. Sreedevi，Shakeel Ahmed，N. Geethanjali 田 芳 译；冯翠娥、段 琦 校译 当水均衡呈持续负值时，水位预测成为地下水规划和管理的一项重要任务。在位于安德拉邦Ranga Reddy区的Maheshwaram流域，地下水过量开采，管理地下水资源需要完全了解地下水流动态特征。然而，地下水流动态特征由于人类和气候影响不断发生变化，且地下水系统十分复杂，包括多种非线性和不确定因素。人工神经网络模型作为一个有力的、灵活的统计建模技术被引入到地下水科学中以处理复杂的模式认识问题。本次研究给出了两种模型的对比，即基于Levenberg-Marquardt（LM）算法的前馈神经网络（FFNN）与模糊逻辑自适应模糊推理系统（ANFIS）模型在评价Maheshwaram流域的地下水位中的准确性的对比。用于分析的统计指标包括均方根误差（RMSE），回归系数（R2）和误差变异（EV）。结果显示，FFNN-LM和ANFIS模型对于评价上述地区的地下水位均具有较好的准确性（RMSE分别为4.45和4.94，R2都为93%）。 1 引 言 地下水是半干旱地区尤其是基岩地区一切生物不可缺少的资源。在很多地区，地表水资源匮乏，部分地区甚至没有地表水。近三十年来，为了满足农业和工业部门的需求，地下水过量开采。大范围的开凿深井导致印度部分地区尤其是基岩地区地下水位显著下降。本次研究的目的是应用两种适当的模拟方法评价现有含水层系统的地下水动态，并进行对比。 近期，软计算工具,例如人工神经网络（ANNs）和模糊逻辑被广泛应用于各种科技领域进行预测研究（Gail等，2002）。ANN是具有有限变量的通用模型，作为通用的函数近似解（Hornik等，1989）。与传统方法相比，它能够预测一些非线性时间序列事件（Guan等，2004；Hill等，1996；Tang和Fishwick，1993；Zhang，2003；French等，1992）。软计算技术是基于生物系统的信息处理原理。复杂的生物信息处理系统使得人类能够完成诸如认识周围环境，做出预测，并相应地计划和行动等而得以生存。人类信息处理的类型包括逻辑和直觉两种。 传统的计算机系统的逻辑性很好，但是它们的直觉却???不及人类。对于一个 具有类似人类信息处理能力的计算系统，它应该足够灵活地支持以下三个特点： 开放，耐用性（robustness）和实时处理。系统的开放性是指它能够调整并超越自身以适应现实世界中遇到的变化的能力。系统的鲁棒性是指当遇到奇怪的，不完整的或者不确定的信息时的稳定性和耐用性。实时的特性是指系统在一个合理时间内对时间的反应能力。具备这三种特征的信息处理系统可称之为现实世界计算（RWC）系统。因此，现实世界计算系统能够分布式地表达信息，能够大规模并行计算，在信息处理过程中能够灵活地学习和自我组织。所以，软计算可以看做是RWC系统的关键要素。许多作者（Abraham等，2001；Zhang和Scofield，1994；Zhang和Knoll，2001；Chattopadhyay，2005a,b；Ramalingam等，2006）探讨了软计算技术在解决现实世界的问题中的潜力。主要的软计算方法包括人工神经网络和模糊逻辑。 人工神经网络（ANN）在隐含的关系混乱时十分有效。ANN不需要考虑系统的任何先验知识，且非常适合模拟实时的动态系统（Maqssod等，2002）。本次应用的前馈神经网络（FFNN）是ANN的一种。 模糊逻辑是另外一种分析复杂系统尤其是数据结构具有一些语言参数特征的系统的软计算技术。自适应网络模糊推理系统（ANFIS）是模糊逻辑的一部分。ANFIS是用基于收集输入输出数据的反向传播算法来调整的。 本次研究的输入数据收集于Maheshwaram流域，位于距离印度安德拉邦市海德拉巴35km处的Ranga Reddy地区（图1）。该流域是印度南部的典型流域，具有风化的基岩含水层和半干旱气候，超采严重且水位波动大。由于本区没有任何常年性河流，地下水是唯一的农业、生活和工业供水水源。水文地质条件上，含水层位于风化带和隐伏风化破碎带。然而，由于深层取水以及过量开采，风化带已经疏干。 UTM坐标系 村庄 蓄水洼地 IFP点位 道路 河流 单位：米 图1 Maheshwaram流域位置 在整个水文地质研究中，地下水位是唯一可以直接测量的参数，对它的深入分析可以揭示系统的有用信