人工神經(jīng)網(wǎng)絡(luò)的現(xiàn)狀與發(fā)展

程昊天 韓曦 王運智 劉一

摘? 要：隨著霧霾天氣的逐漸增多，對空氣造成了污染，給人們的生活產(chǎn)生了較大影響，人工神經(jīng)網(wǎng)絡(luò)是人們預(yù)測霧霾的重要工具。因此，為了更好地反映霧霾在時間及空間的分布狀況，為預(yù)防工作提供充足的時間準(zhǔn)備以霧霾預(yù)測研究為例，對人工神經(jīng)網(wǎng)絡(luò)的現(xiàn)狀、發(fā)展與應(yīng)用進(jìn)行了簡要描述，并結(jié)合人工智能、大數(shù)據(jù)等方面對人工神經(jīng)網(wǎng)絡(luò)的未來發(fā)展趨勢進(jìn)行了綜述。

關(guān)鍵詞：霧霾預(yù)測;人工神經(jīng)網(wǎng)絡(luò);水質(zhì)預(yù)測

中圖分類號：TP183? ? ? ?文獻(xiàn)標(biāo)識碼：A 文章編號：2096-4706（2020）01-0020-03

Abstract：With the gradual increase of haze weather，it has caused air pollution and great impact on peoples lives. Artificial neural network is an important tool for people to predict haze. Therefore，in order to better reflect the distribution of haze in time and space，and provide sufficient time for prevention work，taking the haze prediction research as an example，the current situation，development and application of artificial neural network are briefly described，and summarizes the future development trend of artificial neural network combined with artificial intelligence and big data.

Keywords：haze prediction;artificial neural network;water quality forecast

0? 引? 言

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks，簡寫為ANNs）[1]，它是一種應(yīng)用類似于大腦神經(jīng)突觸連接的結(jié)構(gòu)進(jìn)行信息處理的數(shù)學(xué)模型。其網(wǎng)絡(luò)中含有大量神經(jīng)元相互連接可以達(dá)到傳遞信息和處理數(shù)據(jù)的目的，是一種自適應(yīng)的計算模型[2]。近些年來，人工神經(jīng)網(wǎng)絡(luò)已經(jīng)在生物、經(jīng)濟(jì)、科技以及醫(yī)學(xué)等多個方面起到了十分顯著的作用，同時人工神經(jīng)網(wǎng)絡(luò)也具有很大的發(fā)展前景。本文以霧霾預(yù)測為例，對人工神經(jīng)網(wǎng)絡(luò)的現(xiàn)狀與發(fā)展方向進(jìn)行深入的分析。文獻(xiàn)[3]表明霧霾是特定的氣候條件與人類活動相互作用的結(jié)果，常見于城市，也稱陰霾、灰霾，是指原因不明的大量煙、塵等微粒懸浮而形成的渾濁天氣現(xiàn)象。那么針對此種情況使用人工神經(jīng)網(wǎng)絡(luò)對霧霾進(jìn)行預(yù)測是一個很好的方法，因為神經(jīng)網(wǎng)絡(luò)在數(shù)據(jù)預(yù)測中具有自主學(xué)習(xí)功能、聯(lián)想存儲功能以及尋找優(yōu)化解的能力，它對預(yù)測有著非常重要的意義。同時影響PM2.5的組成因子與PM2.5的濃度值之間呈現(xiàn)非線性關(guān)系，并且本文中提到的兩種人工神經(jīng)網(wǎng)絡(luò)都能對非線性關(guān)系進(jìn)行較好的處理。由于霧霾這種污染天氣會對人們的生活造成較大影響，如對人體造成呼吸疾病、心理疾病以及心血管疾病等;降低光照及能見度，從而對交通造成不利影響;污染物質(zhì)也會給農(nóng)作物和生態(tài)環(huán)境帶來危害[3]，因此霧霾預(yù)測也就成為了人工神經(jīng)網(wǎng)絡(luò)重要的發(fā)展方向之一。

1? 人工神經(jīng)網(wǎng)絡(luò)現(xiàn)狀

針對于人工神經(jīng)網(wǎng)絡(luò)的現(xiàn)狀來說，人工神經(jīng)網(wǎng)絡(luò)在多個方面和領(lǐng)域都有相應(yīng)的實際應(yīng)用。人工神經(jīng)網(wǎng)絡(luò)可以發(fā)揮出自己的技術(shù)特點，人工神經(jīng)網(wǎng)絡(luò)可以實現(xiàn)構(gòu)建水質(zhì)預(yù)測模型的功能，它可以通過神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)學(xué)習(xí)功能對未來的水質(zhì)來進(jìn)行預(yù)測[4]，同時人工神經(jīng)網(wǎng)絡(luò)也能通過輸入數(shù)據(jù)和多次重復(fù)調(diào)試迭代的多步驟得到一個有實際作用的水質(zhì)預(yù)測系統(tǒng)[5]。一方面，人工神經(jīng)網(wǎng)絡(luò)也可以應(yīng)用在機械工程合成材料的領(lǐng)域，人工神經(jīng)網(wǎng)絡(luò)可以通過實時監(jiān)測各種物質(zhì)在反應(yīng)器中的濃度水平，從而推測合成材料結(jié)果的成分水平良品率[6]。另一方面，應(yīng)用人工神經(jīng)網(wǎng)絡(luò)同樣也可以在統(tǒng)一供電廠的預(yù)算系統(tǒng)中對未來出售電量進(jìn)行預(yù)測[7]。人工神經(jīng)網(wǎng)絡(luò)不但具有廣泛的應(yīng)用性，還具有極高的實際應(yīng)用價值，提高可操作空間的經(jīng)濟(jì)效益，它通過合理和可依靠的對未來發(fā)生事情的預(yù)測可以提高生產(chǎn)效率，也能改善經(jīng)濟(jì)效益，而針對于水質(zhì)預(yù)測以及機械反應(yīng)爐預(yù)測這兩種情況來說，實際操作難以有持續(xù)和實時地對測量數(shù)值進(jìn)行監(jiān)控的技術(shù)。那么利用人工神經(jīng)網(wǎng)絡(luò)預(yù)測和定時歸納數(shù)據(jù)的方法可以較準(zhǔn)確地歸納出當(dāng)前數(shù)值的預(yù)測量。

在霧霾預(yù)測研究中，影響PM2.5的數(shù)據(jù)之間的關(guān)系為非線性關(guān)系，而特定的人工神經(jīng)網(wǎng)絡(luò)恰好對非線性關(guān)系的數(shù)據(jù)有著強大的處理能力。目前的主流技術(shù)是利用Back Propagation神經(jīng)網(wǎng)絡(luò)（以下簡稱為BP神經(jīng)網(wǎng)絡(luò)）進(jìn)行數(shù)據(jù)處理并計算，利用BP神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)學(xué)習(xí)能力，經(jīng)過反復(fù)調(diào)試得出有意義的神經(jīng)預(yù)測網(wǎng)絡(luò)[8]。

本文以BP神經(jīng)網(wǎng)絡(luò)對未來的霧霾水平進(jìn)行預(yù)測為例，同時也應(yīng)用了另外一種神經(jīng)網(wǎng)絡(luò)技術(shù)Radial Basis Function神經(jīng)網(wǎng)絡(luò)（簡稱為RBF神經(jīng)網(wǎng)絡(luò)）[9]，對BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行簡要說明。

根據(jù)文獻(xiàn)[3]可知，霧霾的組成物主要有二氧化硫、二氧化氮和PM2.5。為了便于描述，我們僅選擇適于量化、易對PM2.5產(chǎn)生影響、同時能反映PM2.5水平的幾個組成因素作為神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)，如二氧化硫、二氧化碳以及一氧化碳等。霧霾預(yù)測的原理即為將收集好的污染物濃度值作為輸入數(shù)據(jù)，代入到已構(gòu)建好的神經(jīng)網(wǎng)絡(luò)函數(shù)中，由此得到污染物濃度隨時間變化的趨勢，從而達(dá)成霧霾的預(yù)測[10]。

由文獻(xiàn)[11]可知，BP神經(jīng)網(wǎng)絡(luò)的組成有輸入層、隱層和輸出層，其中隱層可以有若干層，在預(yù)測時需要自己去確定隱層數(shù)，圖中，Xi（i=1，2，…，n）表示來自與當(dāng)前神經(jīng)元相連的其它神經(jīng)元傳遞的輸入信號。BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖如圖1所示。

由文獻(xiàn)[12]可知，RBF神經(jīng)網(wǎng)絡(luò)的組成為3層前向網(wǎng)絡(luò)。從圖2中可以看到RBF神經(jīng)網(wǎng)絡(luò)只有一層隱層，同時隱層權(quán)值與輸出層呈線性關(guān)系。

雖然BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)在一定條件下都能以任意精度逼近非線性函數(shù)，但由于兩者在構(gòu)造和激勵函數(shù)上有所不同，其性能也存在著很大的差別。比如通用性上RBF神經(jīng)網(wǎng)絡(luò)與BP神經(jīng)網(wǎng)絡(luò)在學(xué)習(xí)和收斂速度上，RBF神經(jīng)網(wǎng)絡(luò)比BP神經(jīng)網(wǎng)絡(luò)更快;函數(shù)逼近能力上RBF神經(jīng)網(wǎng)絡(luò)強于BP神經(jīng)網(wǎng)絡(luò)。因此，對于霧霾預(yù)測，RBF神經(jīng)網(wǎng)絡(luò)的預(yù)測誤差會小于BP神經(jīng)網(wǎng)絡(luò)。

2? 人工神經(jīng)網(wǎng)絡(luò)的發(fā)展趨勢

隨著人工神經(jīng)網(wǎng)絡(luò)的發(fā)展，無論是自身進(jìn)一步發(fā)展還是與其他科技成果的合作都在不停地進(jìn)行著。其中，人工神經(jīng)網(wǎng)絡(luò)與大數(shù)據(jù)以及人工智能的結(jié)合有著很好的發(fā)展前景，下文將進(jìn)行簡要討論。

2.1? 大數(shù)據(jù)方面

大數(shù)據(jù)作為近年新興的熱門研究領(lǐng)域，能夠與人工神經(jīng)網(wǎng)絡(luò)進(jìn)行很好的合作。一方面，大量的、多元的且變化迅速的數(shù)據(jù)更適合以神經(jīng)網(wǎng)絡(luò)進(jìn)行處理。人工神經(jīng)網(wǎng)絡(luò)的優(yōu)點如有針對性、可整合、捕捉能力強等都有利于大數(shù)據(jù)實現(xiàn)價值轉(zhuǎn)化;另一方面，數(shù)據(jù)量保證了神經(jīng)網(wǎng)絡(luò)有充足的訓(xùn)練樣本，因此訓(xùn)練更大規(guī)模的神經(jīng)網(wǎng)絡(luò)將會得以實現(xiàn)。隨著硬件水平的提升，二者發(fā)展的速度都是十分可觀的。相輔相成的特性會讓兩者的結(jié)合帶來接連不斷的新的精彩[13]。

2.2? 人工智能方面

就目前來看，人工神經(jīng)網(wǎng)絡(luò)研究的主要精力將傾向深度學(xué)習(xí)、深層神經(jīng)網(wǎng)絡(luò)。當(dāng)下我們見到的神經(jīng)網(wǎng)絡(luò)大都屬于生物神經(jīng)的簡化形式，這些屬于淺層神經(jīng)網(wǎng)絡(luò)，他們產(chǎn)生原理相近，通過對人工智能領(lǐng)域最新的研究成果和趨勢進(jìn)行分析，基于神經(jīng)網(wǎng)絡(luò)的人工智能方法具有更加廣闊的研究前景[14]。其中，對神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和神經(jīng)元節(jié)點的特性進(jìn)行改進(jìn)，是人工智能領(lǐng)域?qū)崿F(xiàn)再一次跨越式發(fā)展的突破口之一[15]。

人工神經(jīng)網(wǎng)絡(luò)，人工智能和大數(shù)據(jù)領(lǐng)域三者之間的關(guān)系是緊密的，是相互聯(lián)系、相互促進(jìn)的，神經(jīng)網(wǎng)絡(luò)與人工智能同為受生物活動啟發(fā)，可觀的數(shù)據(jù)量將為進(jìn)一步發(fā)展提供強有力的推進(jìn)。隨著硬件水平的發(fā)展，人工神經(jīng)網(wǎng)絡(luò)將會與更多技術(shù)產(chǎn)生合作，為技術(shù)發(fā)展注入更多活力。

3? 人工神經(jīng)網(wǎng)絡(luò)未來的挑戰(zhàn)與研究方向

我們在人工神經(jīng)網(wǎng)絡(luò)技術(shù)特點的研究中，對于人工神經(jīng)網(wǎng)絡(luò)未來的挑戰(zhàn)和研究方向，得出了以下兩條結(jié)論。

第一，人工神經(jīng)網(wǎng)絡(luò)的易用性仍有待提高。由于其本身特性，人工神經(jīng)網(wǎng)絡(luò)無法從時間角度展示PM2.5的變化特征[16]，而且應(yīng)用人工神經(jīng)網(wǎng)絡(luò)時，需要一定的編程基礎(chǔ)，并且一般需要反復(fù)調(diào)試。在設(shè)計模型的階段，參數(shù)優(yōu)化時不能一味追求誤差小。單站點小范圍內(nèi)不出現(xiàn)問題并不代表應(yīng)用于多站點大量數(shù)據(jù)時依然沒有問題。若設(shè)定過小，應(yīng)用時收斂速度極慢，程序假死的現(xiàn)象也會發(fā)生。在多次迭代方面，進(jìn)行GA優(yōu)化能夠在一定程度上解決RBF神經(jīng)網(wǎng)絡(luò)本身容易受網(wǎng)絡(luò)初始參數(shù)影響的缺點。從王鑫的研究中可知，通過觀察，優(yōu)化后更加復(fù)雜的GA-RBF模型的結(jié)果和性能，其迭代的次數(shù)更少，運行消耗的時間更短，同時精度也會更高。因此如何使人工神經(jīng)網(wǎng)絡(luò)變得更加簡單、易用將會是未來的研究方向之一。

第二，人工神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性仍有待提高。以本文的預(yù)測霧霾為例進(jìn)行討論，人工神經(jīng)網(wǎng)絡(luò)經(jīng)過多次調(diào)試和迭代后，對于霧霾預(yù)測依然存在一定誤差。一方面，訓(xùn)練樣本數(shù)據(jù)對人工神經(jīng)網(wǎng)絡(luò)本身會造成很大的影響，因此在選取樣本時需要進(jìn)行更多、更謹(jǐn)慎的考慮，以選取更具有代表性的樣本，保證預(yù)測結(jié)果的可靠性[17];另一方面，在面對特殊時段時，我們可以看到大部分系統(tǒng)仍然存在提升的空間。并且在進(jìn)行設(shè)計時，我們應(yīng)對其他會對霧霾實際情況產(chǎn)生影響的一些自然因素給予關(guān)注，納入計算范圍[18]。所以以后的研究應(yīng)致力于減小誤差和提高準(zhǔn)確性。對于未來的研究方向，應(yīng)該是結(jié)合現(xiàn)今技術(shù)發(fā)展的趨勢，從而達(dá)到提高人工神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確性和穩(wěn)定性的目的。

4? 結(jié)? 論

現(xiàn)今人工神經(jīng)網(wǎng)絡(luò)已經(jīng)能對霧霾水平進(jìn)行較為精準(zhǔn)的預(yù)測，同時也能夠應(yīng)用于水質(zhì)預(yù)測、機械合成材料水平預(yù)測以及出售電量預(yù)測等方面。未來的人工神經(jīng)網(wǎng)絡(luò)有著廣闊的發(fā)展前景，但也存在著相應(yīng)的困難與挑戰(zhàn)。相信隨著時代不斷地發(fā)展，人工神經(jīng)網(wǎng)絡(luò)的各方面功能也會得以提升和完善，屆時必定會為科技帶來光明的進(jìn)步。

參考文獻(xiàn)：

[1] 王輝.人工神經(jīng)網(wǎng)絡(luò)研究與發(fā)展綜述 [J].電腦知識與技術(shù)，2008（30）：710-711.

[2] 何明.大學(xué)計算機基礎(chǔ) [M].南京：東南大學(xué)出版社，2015：240.

[3] 百度百科.霧霾詞條 [EB/OL].[2019-10-17].https：//baike.baidu.com/item/霧霾/731704？fr=aladdin#ref_[3]_740466.

[4] 張杰，熊權(quán).基于BP人工神經(jīng)網(wǎng)絡(luò)的高速公路能見度預(yù)報 [J].科技與創(chuàng)新，2019（18）：76-77.

[5] 翟偉，毛靜，孟雅丹，等.結(jié)合灰色理論的人工神經(jīng)網(wǎng)絡(luò)方法在水質(zhì)預(yù)測中的應(yīng)用 [J/OL].南水北調(diào)與水利科技：1-9 [2019-10-17].http：//kns.cnki.net/kcms/detail/13.1334.TV. 20191012.1516.004.html.

[6] 黃元晨，沈元興，沈英. ANN模型對自熱式固定床氣化的動態(tài)過程預(yù)測 [J].福州大學(xué)學(xué)報（自然科學(xué)版），2019，47（5）：652-657.

[7] 白登輝.計及偏差電量考核機制的人工神經(jīng)網(wǎng)絡(luò)售電量預(yù)測模型 [J/OL].電工電能新技術(shù)：1-10[2019-10-17].http：//kns.cnki.net/kcms/detail/11.2283.TM.20191010.1527.002.html.

[8] 黃威，王星捷，陽清青.基于神經(jīng)網(wǎng)絡(luò)的霧霾預(yù)警系統(tǒng)研究與實現(xiàn) [J].計算機技術(shù)與發(fā)展，2019，29（10）：26-30.

[9] 鄧茗春，李剛.幾種典型神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的比較與分析 [J].信息技術(shù)與信息化，2008（6）：29-31.

[10] 艾洪福，石瑩.基于BP人工神經(jīng)網(wǎng)絡(luò)的霧霾天氣預(yù)測研究 [J].計算機仿真，2015，32（1）：402-405+415.

[11] 石云.Bp神經(jīng)網(wǎng)絡(luò)的Matlab實現(xiàn) [J].湘南學(xué)院學(xué)報，2010，31（5）：86-88+111.

[12] 王鑫.霧霾的RBF網(wǎng)絡(luò)與遺傳算法優(yōu)化預(yù)測 [J].科技視界，2016（19）：98-99+115.

[13] 焦李成，楊淑媛，劉芳，等.神經(jīng)網(wǎng)絡(luò)七十年：回顧與展望 [J].計算機學(xué)報，2016，39（8）：1697-1716.

[14] 章毅，郭泉，王建勇.大數(shù)據(jù)分析的神經(jīng)網(wǎng)絡(luò)方法 [J].工程科學(xué)與技術(shù)，2017，49（1）：9-18.

[15] 劉經(jīng)緯，趙輝，周瑞，等.高精度自適應(yīng)小波神經(jīng)網(wǎng)絡(luò)人工智能方法探索 [J].計算機科學(xué)與探索，2016，10（8）：1122-1132.

[16] 王梓霖.基于深度學(xué)習(xí)的霧霾質(zhì)量濃度預(yù)測研究 [J].無線互聯(lián)科技，2019，16（10）：110-112.

[17] 張平華，盛凱.基于神經(jīng)網(wǎng)絡(luò)的霧霾預(yù)測模型實證研究 [J].菏澤學(xué)院學(xué)報，2018，40（5）：17-21.

[18] 百度文庫.神經(jīng)網(wǎng)絡(luò)及BP與RBF比較 [EB/OL].[2019-10-17].https：//wenku.baidu.com/view/cf7de9d664ce0508763 231126edb6f1aff007134.html.

作者簡介：程昊天（1999-），男，漢族，北京人，本科在讀，研究方向：微電子科學(xué)與工程;通訊作者：韓曦（1983-），女，漢族，河北石家莊人，博士，講師，研究方向：無線通信;王運智（2000-），男，漢族，河南濮陽人，本科在讀，研究方向：電子信息工程;劉一（2000-），男，漢族，北京人，本科在讀，研究方向：電子信息工程。