【正文】 成特殊功能網(wǎng)絡(luò)，這主要是新一代計(jì)算機(jī)制造領(lǐng)域所關(guān)注的問(wèn)題。（3）將人工神經(jīng)網(wǎng)絡(luò)理論作為一種解決某些問(wèn)題的手段和方法，而這類問(wèn)題用傳統(tǒng)方法不好解決或存在具體處理技術(shù)上的困難。（4）將人工神經(jīng)網(wǎng)絡(luò)與模糊理論有機(jī)地結(jié)合起來(lái)，取長(zhǎng)補(bǔ)短，提高系統(tǒng)的學(xué)習(xí)能力與表達(dá)能力，是目前人工智能科學(xué)領(lǐng)域最受人注目的前沿之一。 人工神經(jīng)網(wǎng)絡(luò)的分類按學(xué)習(xí)策略分類，人工神經(jīng)網(wǎng)絡(luò)可分為：監(jiān)督式學(xué)習(xí)、無(wú)監(jiān)督式學(xué)習(xí)、聯(lián)想式學(xué)習(xí)。（1）監(jiān)督式學(xué)習(xí)網(wǎng)絡(luò)（Supervised Learning Network）這類網(wǎng)絡(luò)從問(wèn)題領(lǐng)域中取得訓(xùn)練范例（有輸入變數(shù)值 也有輸出變數(shù)值），并從范例中學(xué)習(xí)輸入變數(shù)與輸出變數(shù)的內(nèi)在對(duì)應(yīng)規(guī)則，以應(yīng)用于新的案例（只有輸入變數(shù)值，需推論輸出變數(shù)值的應(yīng)用）如感知機(jī)網(wǎng)絡(luò)（Perceptron：Frank Rosenblatt，1957）、倒傳播網(wǎng)絡(luò)（Back Propagation Network，BPN：，1974；）、機(jī)率神經(jīng)網(wǎng)絡(luò)（Probabilistic Neural Network，PNN：）、反傳播網(wǎng)絡(luò)（Counter Propagation Network，CPN：R. HechtNielsen）。（2）無(wú)監(jiān)督式學(xué)習(xí)網(wǎng)絡(luò)（Unsupervised Learning Network）：從問(wèn)題領(lǐng)域中取得訓(xùn)練范例（只有輸入變數(shù)值），并從中學(xué)習(xí)輸入變數(shù)與輸出變數(shù)的內(nèi)在聚類規(guī)則，以應(yīng)用于新的案例（有輸入變數(shù)值，而需推論它與哪些訓(xùn)練范例屬同一聚類的應(yīng)用）。如自組織映射圖網(wǎng)絡(luò)、自適應(yīng)共振理論網(wǎng)絡(luò)。（3）聯(lián)想式學(xué)習(xí)網(wǎng)絡(luò)（Associate Learning Network）：這類網(wǎng)絡(luò)從問(wèn)題領(lǐng)域中取得訓(xùn)練范例（狀態(tài)變數(shù)值），并從中學(xué)習(xí)范例的內(nèi)在記憶規(guī)則，以應(yīng)用于新的案例（具有不完整的狀態(tài)變數(shù)值），而需推論其完整的狀態(tài)變數(shù)值的應(yīng)用）。如Hopfield 網(wǎng)絡(luò)（Hopfield Neural Network HNN：）、雙向聯(lián)想記憶網(wǎng)絡(luò)（Bidirectional Associative Memory，BAM：B. Kosko）、單層自聯(lián)想網(wǎng)絡(luò)（Brain State in A Box，BSB：James Anderson）。（4）最適化應(yīng)用網(wǎng)絡(luò)（Optimization Learning Network）：人工神經(jīng)網(wǎng)絡(luò)除了“學(xué)習(xí)”應(yīng)用外，還有一類特殊應(yīng)用——最適化應(yīng)用：對(duì)一問(wèn)題決定其設(shè)計(jì)變數(shù)值，使其在滿足設(shè)計(jì)限制下，達(dá)到設(shè)計(jì)目標(biāo)最佳狀態(tài)的應(yīng)用。此類應(yīng)用的網(wǎng)絡(luò)架構(gòu)大多與聯(lián)想式網(wǎng)絡(luò)架構(gòu)相似。如 Hopfieldtank網(wǎng)絡(luò)（Hopfieldtank Neural Network，HTNN： and 、退火神經(jīng)網(wǎng)絡(luò)（Annealed Neural Network，ANN： den Bout and T. ）、波茲曼機(jī)（Boltzmann Machine，BM：）。按網(wǎng)絡(luò)架構(gòu)分類，人工神經(jīng)網(wǎng)絡(luò)可分為：前饋型架構(gòu)和反饋型架構(gòu)。（1）前饋型架構(gòu)(Forward)為：神經(jīng)元分層排列，形成輸入層、隱含層、輸出層。每一層只接受前一層的輸出作輸入，稱前饋型架構(gòu)。（2）反饋型架構(gòu)(Feedback)為：從輸出層回饋到輸入層，或者層內(nèi)各處理單元間有連接的，或神經(jīng)元小分層排列，只有一層，各神經(jīng)元均可相互連接，稱反饋型架構(gòu)。 還有按網(wǎng)絡(luò)的性能可分為連續(xù)性和離散性、確定性和隨機(jī)性網(wǎng)絡(luò)；按照突觸連接的性質(zhì)分為一階線性關(guān)聯(lián)與高階非線性關(guān)聯(lián)網(wǎng)絡(luò)。 人工神經(jīng)網(wǎng)絡(luò)在水質(zhì)規(guī)劃和管理中的應(yīng)用水污染控制系統(tǒng)是由與水體水質(zhì)有關(guān)的自然、經(jīng)濟(jì)、社會(huì)、工程設(shè)施、治理技術(shù)、管理措施等所組成的系統(tǒng)和關(guān)系的總和，是協(xié)調(diào)環(huán)境、經(jīng)濟(jì)和社會(huì)所構(gòu)成的多變量、多目標(biāo)、多層次的復(fù)雜系統(tǒng)的尋優(yōu)過(guò)程。水污染控制規(guī)劃是一個(gè)反復(fù)協(xié)調(diào)決策的過(guò)程，直接對(duì)象是整個(gè)水體，牽涉到整個(gè)流域。水污染控制規(guī)劃就是在基本查清污染物排放、水質(zhì)現(xiàn)狀和水文水力學(xué)特性的條件下，通過(guò)試驗(yàn)獲得相關(guān)參數(shù)，并通過(guò)水質(zhì)數(shù)學(xué)模型預(yù)測(cè)規(guī)劃水平年的水體水質(zhì)，在保證水質(zhì)達(dá)到規(guī)劃水質(zhì)級(jí)別的前提下，合理安排各污染源污染物的排放，并對(duì)污染控制方案進(jìn)行研究，提出技術(shù)經(jīng)濟(jì)可行的最佳實(shí)用方案，為相關(guān)部門(mén)的決策提供科學(xué)依據(jù)。 整個(gè)規(guī)劃工作的基礎(chǔ)是首先要明確目標(biāo)，明確規(guī)劃的范圍，明確污染控制的方向要求。因此，第一步是對(duì)水質(zhì)進(jìn)行評(píng)價(jià)，調(diào)查分析污染源，獲取水質(zhì)監(jiān)測(cè)的資料，再將現(xiàn)狀水質(zhì)與要求的水環(huán)境質(zhì)量標(biāo)準(zhǔn)進(jìn)行比較；第二步是建立水質(zhì)模型。一般分為確立概念化模型、識(shí)別模型的結(jié)構(gòu)、識(shí)別參數(shù)、檢驗(yàn)和應(yīng)用等步驟?！懊鞔_問(wèn)題”除了要明確規(guī)劃的范圍，還要指出水污染控制的方向和要求。每一種水體的保護(hù)目標(biāo)是由它的特定用途來(lái)決定的。在很多情況下，我們所研究的水體都已受到不同程度的污染，不同的區(qū)段污染情況也各不相同。因此，必須從當(dāng)?shù)氐纳鐣?huì)、經(jīng)濟(jì)和技術(shù)條件出發(fā)，對(duì)不同的地區(qū)、不同的河流或水體，以及同一水體的不同區(qū)段分別提出不同的保護(hù)目標(biāo)及相應(yīng)的水質(zhì)控制標(biāo)準(zhǔn)。為此，水質(zhì)現(xiàn)狀評(píng)價(jià)是提出水體保護(hù)目標(biāo)和水質(zhì)控制標(biāo)準(zhǔn)的基礎(chǔ)。水質(zhì)現(xiàn)狀評(píng)價(jià)對(duì)于河流來(lái)講，是要把河流的現(xiàn)狀水質(zhì)與要求的水環(huán)境質(zhì)量標(biāo)準(zhǔn)作一比較；對(duì)于行業(yè)排污來(lái)講，是要把行業(yè)的排放水質(zhì)與要求的行業(yè)控制指標(biāo)作一比較。這里就涉及到應(yīng)該選用什么樣水質(zhì)標(biāo)準(zhǔn)或規(guī)定來(lái)作為評(píng)比和治理的目標(biāo)問(wèn)題，而這個(gè)目標(biāo)的真正確定又與一系列技術(shù)、經(jīng)濟(jì)以及水質(zhì)預(yù)測(cè)、評(píng)價(jià)相關(guān)聯(lián)，這也是整個(gè)規(guī)劃的最后成果之一。因而可以說(shuō)確定目標(biāo)是規(guī)劃過(guò)程的起始與終結(jié)，而水質(zhì)評(píng)價(jià)則始終是水污染控制規(guī)劃過(guò)程的基礎(chǔ)。水質(zhì)評(píng)價(jià)是水環(huán)境質(zhì)量評(píng)價(jià)的一方面。影響環(huán)境水質(zhì)的因素既有物質(zhì)的，也有非物質(zhì)的（如標(biāo)準(zhǔn)、法規(guī)等）。而在這些因素中，物質(zhì)的濃度、數(shù)量、強(qiáng)度、時(shí)間延續(xù)長(zhǎng)短等的影響都不完全相同，故水質(zhì)評(píng)價(jià)是一項(xiàng)很復(fù)雜的綜合工作。一般而言，水質(zhì)評(píng)價(jià)包括：確定評(píng)價(jià)范圍、資料調(diào)查評(píng)估、確定評(píng)價(jià)參數(shù)、建立評(píng)價(jià)模型、進(jìn)行模擬計(jì)算、給出評(píng)價(jià)結(jié)論等六個(gè)步驟。由此可知，某一水域的水質(zhì)污染的狀況應(yīng)從以下三方面來(lái)評(píng)定：（1）污染強(qiáng)度，也就是水中污染物的濃度和它們的影響效應(yīng)；（2）污染范圍，即在水域中各種污染強(qiáng)度所影響的范圍；（3）污染歷時(shí)，即在水域中各種污染強(qiáng)度所持續(xù)的時(shí)間。只有能同時(shí)反映上述這3方面內(nèi)容的水質(zhì)評(píng)價(jià)方法才比較理想。值得欣慰的是，近年來(lái)，人工神經(jīng)網(wǎng)絡(luò)理論的迅速發(fā)展為水質(zhì)規(guī)劃和管理提供了一種新的有效方法。 人工神經(jīng)網(wǎng)絡(luò)在給水水質(zhì)管理方面的應(yīng)用隨著ANN理論的提出和日趨完善以及計(jì)算機(jī)技術(shù)的進(jìn)一步發(fā)展，許多科技工作者對(duì)ANN在給水處理過(guò)程中的實(shí)時(shí)控制和水質(zhì)參數(shù)預(yù)測(cè)方面作了較為深入的研究，并得出了很多合理而可靠的結(jié)論。在用ANN的過(guò)程控制系統(tǒng)去控制給水處理中的凝結(jié)、絮凝、沉淀過(guò)程中，采用的前饋式神經(jīng)網(wǎng)絡(luò)控制體系是程序設(shè)備控制器的主要部分，并能連續(xù)預(yù)測(cè)不同控制條件下的明礬和活性碳最適當(dāng)?shù)耐都恿?。程序設(shè)備控制器采用了描述原水水質(zhì)的多個(gè)輸入，并計(jì)算出控制行為所必需的化學(xué)藥品劑量。當(dāng)水質(zhì)在處理過(guò)程中的正常停留時(shí)間內(nèi)穩(wěn)定時(shí)，可將工廠實(shí)際運(yùn)行情況的數(shù)據(jù)反饋也應(yīng)用到模型中，構(gòu)成一個(gè)閉環(huán)（closedloop）控制。該控制器可結(jié)合激勵(lì)器獨(dú)立地完成在線（online）運(yùn)轉(zhuǎn)，或被操作者用于離線（offline）預(yù)測(cè)最適度的化學(xué)劑量，以此作為實(shí)際化學(xué)劑量的一個(gè)參照。 人工神經(jīng)網(wǎng)絡(luò)在污水處理方面的應(yīng)用在將ANN理論引入到給水處理過(guò)程中的同時(shí)，ANN的應(yīng)用也已成為污水處理領(lǐng)域的一個(gè)熱門(mén)研究方向。文獻(xiàn)[17]提出用人工神經(jīng)系統(tǒng)和隨機(jī)模型來(lái)對(duì)污水處理過(guò)程中的活性污泥出現(xiàn)的膨脹狀態(tài)進(jìn)行分析。將不同的模擬技術(shù)，如隨機(jī)的自回歸滑動(dòng)平均值（autoresressive movingaverage，ARMA）、自回歸傳遞函數(shù)（auto regressive transfer function，ARTF）過(guò)程以及人工神經(jīng)系統(tǒng)都應(yīng)用于污水廠的污泥容積指數(shù)（sludgevolume index，SVI）資料中。研究資料包括SVI、DO、絲狀菌計(jì)量、污泥齡及其它相關(guān)參數(shù)的14個(gè)月的日測(cè)量值。人工神經(jīng)系統(tǒng)的分析由一個(gè)時(shí)間序列輸入系統(tǒng)來(lái)完成，其模型輸入?yún)?shù)包括BOD/N、N/P、混合液體的DO、混合液體的溫度及微生物的喂養(yǎng)比率（foodtomicroorganisms ratio）的時(shí)間滯差值（timelagged）。通過(guò)3種預(yù)測(cè)模型在20天訓(xùn)練期中的完成情況可以看出，在隨機(jī)模型里，ARTF產(chǎn)生的剩余誤差和（sum of square residuals，SSR）最小。針對(duì)輸入?yún)?shù)的時(shí)間滯差輸入系統(tǒng)反映了活性污泥媒介中的真實(shí)狀況。為改善污水處理效果，可將人工神經(jīng)系統(tǒng)利用于自動(dòng)或半自動(dòng)控制系統(tǒng)。 人工神經(jīng)網(wǎng)絡(luò)在水質(zhì)規(guī)劃與水質(zhì)評(píng)價(jià)中的應(yīng)用水質(zhì)規(guī)劃是環(huán)境工程與系統(tǒng)工程相結(jié)合的產(chǎn)物，它的核心是水質(zhì)數(shù)學(xué)模型。水質(zhì)規(guī)劃常用的水質(zhì)模型是氧平衡類模型。流域的水質(zhì)規(guī)劃一般將水質(zhì)數(shù)學(xué)模型與最優(yōu)化模型相結(jié)合，形成水質(zhì)管理模型。水質(zhì)評(píng)價(jià)是水質(zhì)規(guī)劃管理的基本程序。它以定量特征值方式直觀地表示水環(huán)境質(zhì)量的總體狀況或某種特殊指標(biāo)對(duì)水質(zhì)狀況的特別影響，是進(jìn)行水環(huán)境容量計(jì)算和實(shí)施水污染控制的重要基礎(chǔ)。水質(zhì)評(píng)價(jià)可分為單項(xiàng)評(píng)價(jià)和綜合評(píng)價(jià)，單項(xiàng)評(píng)價(jià)一般根據(jù)國(guó)家標(biāo)準(zhǔn)或本底值采用超標(biāo)指數(shù)法，評(píng)價(jià)其超標(biāo)程度，做起來(lái)相對(duì)容易。綜合評(píng)價(jià)則要考慮水體中所有污染物的綜合作用，確定水質(zhì)的綜合級(jí)別。國(guó)內(nèi)外用于水質(zhì)評(píng)價(jià)的方法很多，如單指數(shù)法、模糊綜合評(píng)判法、模糊聚類分析、灰色關(guān)聯(lián)度法等。但由于影響河流水質(zhì)因素很多，評(píng)價(jià)因子與標(biāo)準(zhǔn)級(jí)別之間的關(guān)系是極其復(fù)雜和非線性的，且評(píng)價(jià)標(biāo)準(zhǔn)各級(jí)別間的關(guān)系也是模糊的、灰色的。因而迄今為止還沒(méi)有一種統(tǒng)一的規(guī)范的水質(zhì)綜合評(píng)價(jià)模型，但是綜合評(píng)價(jià)以其獨(dú)有的魅力已受到越來(lái)越多學(xué)者的重視。這些值的給出者或評(píng)價(jià)研究者，具有很強(qiáng)的主觀性，因而，其評(píng)價(jià)結(jié)果的客觀性和合理性受到質(zhì)疑，適用性也受到限制。而B(niǎo)P網(wǎng)絡(luò)則是通過(guò)對(duì)具有代表意義的范例的學(xué)習(xí)、訓(xùn)練，掌握事物的本質(zhì)特征，所以很適合于解決模式識(shí)別和分類問(wèn)題。這為BP網(wǎng)絡(luò)應(yīng)用于水質(zhì)評(píng)價(jià)問(wèn)題提供了理論依據(jù)。 人工神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)及研究意義作為一門(mén)新興的邊緣學(xué)科，ANN的先進(jìn)性和優(yōu)越性十分明顯，具有廣闊的發(fā)展前景。目前，ANN已進(jìn)入相對(duì)平穩(wěn)的發(fā)展時(shí)期，理論工作方面正處于攻堅(jiān)階段。在應(yīng)用方面，正向著廣度和深度方向發(fā)展，從而反過(guò)來(lái)在某些方面和某種程度上推動(dòng)了理論和方法向前發(fā)展。從上述文獻(xiàn)分析中可以看出，將ANN理論與技術(shù)應(yīng)用于水質(zhì)規(guī)劃與管理方面已做的工作還不算非常充分，而這些文獻(xiàn)中所采用的模型也多為BP模型，只是在特征量的選取、網(wǎng)絡(luò)構(gòu)造方式以及算法上各有特色。ANN良好的非線性映射逼近能力、泛化能力、使用的易實(shí)現(xiàn)性、自組織性、模糊性和自學(xué)習(xí)能力，無(wú)一不是它能在水環(huán)境規(guī)劃管理中發(fā)揮巨大作用的堅(jiān)實(shí)基礎(chǔ)。隨著ANN理論的進(jìn)一步發(fā)展，它在水質(zhì)規(guī)劃管理中的應(yīng)用將日臻成熟和完善。因此，將更多的ANN模式計(jì)算思想應(yīng)用于水質(zhì)規(guī)劃和管理是我國(guó)未來(lái)水環(huán)境科研的一個(gè)重要方向，值得科技工作者們作更深入的開(kāi)發(fā)研究。ANN的研究?jī)?nèi)容是極其豐富的，大體上有基本理論、模型、算法、應(yīng)用和實(shí)現(xiàn)等五大方面。每個(gè)方面都有很多問(wèn)題尚未解決或者完美地得到解決，以及相當(dāng)深的理論有待于進(jìn)一步研究，需要用各種方法從各方面開(kāi)展對(duì)ANN進(jìn)行深入研究，并與現(xiàn)行的各種技術(shù)進(jìn)行組合應(yīng)用，取長(zhǎng)補(bǔ)短。在有些關(guān)鍵技術(shù)取得突破之后，ANN會(huì)進(jìn)一步騰飛，成為各個(gè)領(lǐng)域科技人員有用的“工具”。第4章 水質(zhì)評(píng)價(jià)BPX神經(jīng)網(wǎng)絡(luò) BP（Backpropagation）神經(jīng)網(wǎng)絡(luò)基本原理BP（BackPropagation）神經(jīng)網(wǎng)絡(luò)即倒傳播網(wǎng)絡(luò)，是最簡(jiǎn)單的多層神經(jīng)網(wǎng)絡(luò)，也是人工神經(jīng)網(wǎng)絡(luò)中最具代表性和廣泛用途的一種網(wǎng)絡(luò)模型。它是由非線性變換單元組成的一種前饋型網(wǎng)絡(luò)，一般山3個(gè)神經(jīng)元層次組成，即輸入層、輸出層和隱含層。各層的神經(jīng)元之間形成全互連連接，各層次內(nèi)的神經(jīng)元之間沒(méi)有連接。利用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行計(jì)算主要分兩步：首先對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練（網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程）；再利用訓(xùn)練好的網(wǎng)絡(luò)求解問(wèn)題（網(wǎng)絡(luò)的檢驗(yàn)過(guò)程）。BP網(wǎng)絡(luò)的基本原理是利用最陡坡降法的概念，將誤差函數(shù)予以最小化。誤差逆?zhèn)鞑タ梢哉f(shuō)是BP網(wǎng)絡(luò)的精髓所在，它把網(wǎng)絡(luò)輸出出現(xiàn)的誤差歸結(jié)為各連接權(quán)的“過(guò)錯(cuò)”：通過(guò)把輸出層單元的誤差逐層向輸入層逆向傳播以“分?jǐn)偂苯o各層神經(jīng)元，從而獲得各層單元的參考誤差以便調(diào)整相應(yīng)的連接權(quán)，直到網(wǎng)絡(luò)的誤差達(dá)到最小。理論研究表明，具有足夠多的隱層神經(jīng)元數(shù)的三層BP網(wǎng)絡(luò)具有逼近任何復(fù)雜函數(shù)的能力。BP網(wǎng)絡(luò)屬于監(jiān)督式的學(xué)習(xí)網(wǎng)絡(luò)，適合診斷、預(yù)測(cè)、評(píng)價(jià)等應(yīng)用。目前應(yīng)用得比較成功的實(shí)例有：自來(lái)水廠水質(zhì)處理操作、電子電路診斷、股票市場(chǎng)預(yù)測(cè)、指紋識(shí)別等。 BP神經(jīng)網(wǎng)絡(luò)模型的架構(gòu)BP神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)如圖41所示，其中包括：輸入層、隱含層、輸出層。 輸入層 隱含層 輸出層圖41 三層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖（1）輸入層：用來(lái)表示網(wǎng)絡(luò)的輸入變數(shù)，其處理單元數(shù)目依問(wèn)題而定。使用線性轉(zhuǎn)換函數(shù)，即；（2）隱含層：用來(lái)表示輸入處理單元間的交互影響，使用非線性轉(zhuǎn)換函數(shù)。其處理單元數(shù)目根據(jù)網(wǎng)絡(luò)調(diào)試或經(jīng)驗(yàn)公式而定： 或：隱含層單元數(shù)=（輸入層單元數(shù)輸出層單元數(shù)）1/2（3）輸出層：用來(lái)表現(xiàn)網(wǎng)絡(luò)的輸出變數(shù)，其處理單元數(shù)目依問(wèn)題而定。使用非線性轉(zhuǎn)換函數(shù)。BP神經(jīng)網(wǎng)絡(luò)最常用的非線性轉(zhuǎn)換函數(shù)為雙彎曲函（Sigmoid function）：。這種函數(shù)當(dāng)自變數(shù)趨于正、負(fù)無(wú)限大時(shí)，函數(shù)值趨于常數(shù)，函數(shù)值域[0，1]之間。 BP網(wǎng)絡(luò)模型的算法如圖41所示，將輸入模式送入到輸入層，這一層節(jié)點(diǎn)的輸入等于它的輸出。則隱含層節(jié)點(diǎn)的凈輸入是： （41）式中為輸入層節(jié)點(diǎn)與隱含層節(jié)點(diǎn)間的權(quán)向量，輸入層節(jié)點(diǎn)的輸出。隱含層節(jié)點(diǎn)的輸出為： （42）其中，f為活化函數(shù)。在BP網(wǎng)絡(luò)中，活化函數(shù)或能量函數(shù)通常使用S型函數(shù)，即：