神经网络集成在洪灾损失评估中的应用研究-application of neural network integration in flood damage assessment.docxVIP

PAGE PAGE 13 PAGE PAGE 10 第一章 绪论 1.1 研究目的和意义 我国目前是世界上遭受自然灾害最为严重的国家之一[1]，其中洪涝灾害造成的经济损 失最为严重，每年都给我国带来巨大的经济财产损失，这在一定程度上影响了我国的经济 快速发展和建设[2]，但同时这也让我国的防洪减灾工作受到了广泛重视。近年来应用在防 洪减灾方面的各种新方法和新技术虽然不断涌现，也提高了损失评估的可靠性，但是由于 洪涝灾害往往都是具备着较大的随机性，每次受灾的范围和受灾的程度都各不相同，而防 洪减灾工作的首要任务就是要正确且合理的评估出洪水灾害对社会、环境和经济系统所造 成的损失，对受灾区域进行灾害评估是一项复杂、耗时的工作，以往的灾后损失计算通常 需要大量的人力物力去受灾现场进行详细调查，每次灾害发生后都得重新进行评估，而最 重要的却总是灾害损失的评估结果要在灾后一段时间才能得到，这就可能延误制定救灾以 及灾后重建的计划[3]。传统的洪灾经济损失评估大多是针对洪水灾害造成的损失的货币值 评价，因此要从致灾因子、孕灾环境和承灾体的易损性等三个方面来进行分析和研究，其 涉及到了众多的影响因素，主要有雨情、水情、工情以及社会经济情况，对于某一特定地 区而言，如鄱阳湖区，它的淹没程度、洪水预报期及洪水发生的时间是最为重要的定量影 响因素，同时众多因素之间存在着不确定的相关关系，所以洪水灾害损失是一类难以通过 列出准确的公式来表达的具体数值的问题[4]。 由于洪灾损失评估可以认为是一种对洪灾损失及其影响因子间复杂非线性函数关系的 逼近问题,成为当前一个研究难点。而人工神经网络(Artificial Neutral Network )是由 大量的神经元（即简单信息单元）广泛连接组成的一种复杂的网络，具有自组织、自学习 和联想记忆等功能，可以用来对人类的大脑神经网络的部分功能和结构进行模拟。它是一 个非线性的动力学模型，是人工智能研究的一种方法，并具有分布式、并行性、鲁棒性和 冗余容错等特点[5]，非常适合用于求解影响因素复杂、难以用数学公式表达的实际问题并 且它作为一种快速定量化分析模型近年来在洪灾损失评估中被广泛采用。在应用其来解决 洪灾评估问题时，由于洪灾损失和其特征要素之间不一定存在确定的函数关系，更多的是 存在相关关系，故人工神经网络的输入节点变量可以定义为洪灾评估的各个影响因子，且 不必通过具体的函数表达式，仅通过连接权重来直接建立因变量和自变量之间的非线性关 系。但是由于人工神经网络方法缺乏问题的先验知识和严密理论体系来指导，人工神经网 络在构造及训练的过程中间往往存在较多的不确定性，比如在确定多层前馈神经网络的结 构的时候，目前仍然没有好的方法来选取最优的隐含层及各隐含层神经元的的数目，往往 要通过进行大量实验耗费大量精力来摸索才能确定合适的网络模型、参数以及算法，由于 神经网络的学习效果和连接的权值及阀值的初始值有关，在一定的结构下，训练的结果往 往会陷入局部最优解而无法收敛，还有人工神经网络属于“黑箱学习”，即有时虽然能满足 最小误差的要求，但是仍然出现过学习的现象，神经网络的泛化能力得不到可靠的保证， 其应用效果完全由使用者的经验来决定，所以其应用效果也就相应的很难得到保证[6]。 针对上述人工神经网络存在的局限性，迫切的需要一种更优秀的可适应洪灾损失评估 的模型，神经网络集成(Neutral Network Ensemble)是近年来迅猛发展起来的一种算法， 它通过对有限个神经网络进行简单的训练然后对各个神经网络输出的结果进行适当的综 合，以期得到较为全面和可靠的判断[7]。它不仅具备很强的处理非线性问题的能力，并且 可以显著地增强人工神经网络的泛化性能，因此它被看作一种相当有效的工程化的神经计 算方法。 目前人工神经网络集成的应用现状显示其在各种预测模型中都有其独特的优势，但在 洪灾损失评估中很少见到报道，针对这种情况，本文将神经网络集成应用到洪灾损失评估 中，将选用洪水致灾因子、防洪能力因子、社会经济因子等作为对洪水灾害损失影响最大 的主要评估指标，将这些指标所包含的主要影响因子作为个体神经网络的输入因子，从而 来构建组成神经网络集成模型，并将历年洪灾数据划分为训练数据和测试数据两部分，通 过输入训练数据对个体神经网络进行训练并获得最优神经网络的集成个体，再利用最优组 合法来计算出各个集成个体的最优非负权系数，从而可以进行最优组合集成，并最终得到 最优的神经网络集成模型，然后输入测试数据得到集成输出并进行反归一化操作从而快速 输出受灾区域的洪灾损失情况，因此本课题的研究具有实际意义。 1.2 国内外研究现状 1.2.1 神经网络集成的研究现状 神经网络集成的理论基础是 Valiant 提出的 Proba