人工神經網絡的現狀與發展

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，給人們的生活產生了較大影響，人工神經網絡是人們預測霧霾的重要工具。因此，為了更好地反映霧霾在時間及空間的分布狀況，為預防工作提供充足的時間準備以霧霾預測研究為例，對人工神經網絡的現狀、發展與應用進行了簡要描述，并結合人工智能、大數據等方面對人工神經網絡的未來發展趨勢進行了綜述。

關鍵詞：霧霾預測;人工神經網絡;水質預測

中圖分類號：TP183? ? ? ?文獻標識碼：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

人工神經網絡（Artificial Neural Networks，簡寫為ANNs）[1]，它是一種應用類似于大腦神經突觸連接的結構進行信息處理的數學模型。其網絡中含有大量神經元相互連接可以達到傳遞信息和處理數據的目的，是一種自適應的計算模型[2]。近些年來，人工神經網絡已經在生物、經濟、科技以及醫學等多個方面起到了十分顯著的作用，同時人工神經網絡也具有很大的發展前景。本文以霧霾預測為例，對人工神經網絡的現狀與發展方向進行深入的分析。文獻[3]表明霧霾是特定的氣候條件與人類活動相互作用的結果，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象。那么針對此種情況使用人工神經網絡對霧霾進行預測是一個很好的方法，因為神經網絡在數據預測中具有自主學習功能、聯想存儲功能以及尋找優化解的能力，它對預測有著非常重要的意義。同時影響PM2.5的組成因子與PM2.5的濃度值之間呈現非線性關系，并且本文中提到的兩種人工神經網絡都能對非線性關系進行較好的處理。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;污染物質也會給農作物和生態環境帶來危害[3]，因此霧霾預測也就成為了人工神經網絡重要的發展方向之一。

1? 人工神經網絡現狀

針對于人工神經網絡的現狀來說，人工神經網絡在多個方面和領域都有相應的實際應用。人工神經網絡可以發揮出自己的技術特點，人工神經網絡可以實現構建水質預測模型的功能，它可以通過神經網絡的數據學習功能對未來的水質來進行預測[4]，同時人工神經網絡也能通過輸入數據和多次重復調試迭代的多步驟得到一個有實際作用的水質預測系統[5]。一方面，人工神經網絡也可以應用在機械工程合成材料的領域，人工神經網絡可以通過實時監測各種物質在反應器中的濃度水平，從而推測合成材料結果的成分水平良品率[6]。另一方面，應用人工神經網絡同樣也可以在統一供電廠的預算系統中對未來出售電量進行預測[7]。人工神經網絡不但具有廣泛的應用性，還具有極高的實際應用價值，提高可操作空間的經濟效益，它通過合理和可依靠的對未來發生事情的預測可以提高生產效率，也能改善經濟效益，而針對于水質預測以及機械反應爐預測這兩種情況來說，實際操作難以有持續和實時地對測量數值進行監控的技術。那么利用人工神經網絡預測和定時歸納數據的方法可以較準確地歸納出當前數值的預測量。

在霧霾預測研究中，影響PM2.5的數據之間的關系為非線性關系，而特定的人工神經網絡恰好對非線性關系的數據有著強大的處理能力。目前的主流技術是利用Back Propagation神經網絡（以下簡稱為BP神經網絡）進行數據處理并計算，利用BP神經網絡的數據學習能力，經過反復調試得出有意義的神經預測網絡[8]。

本文以BP神經網絡對未來的霧霾水平進行預測為例，同時也應用了另外一種神經網絡技術Radial Basis Function神經網絡（簡稱為RBF神經網絡）[9]，對BP神經網絡和RBF神經網絡進行簡要說明。

根據文獻[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產生影響、同時能反映PM2.5水平的幾個組成因素作為神經網絡的輸入數據，如二氧化硫、二氧化碳以及一氧化碳等。霧霾預測的原理即為將收集好的污染物濃度值作為輸入數據，代入到已構建好的神經網絡函數中，由此得到污染物濃度隨時間變化的趨勢，從而達成霧霾的預測[10]。

由文獻[11]可知，BP神經網絡的組成有輸入層、隱層和輸出層，其中隱層可以有若干層，在預測時需要自己去確定隱層數，圖中，Xi（i=1，2，…，n）表示來自與當前神經元相連的其它神經元傳遞的輸入信號。BP神經網絡結構圖如圖1所示。

由文獻[12]可知，RBF神經網絡的組成為3層前向網絡。從圖2中可以看到RBF神經網絡只有一層隱層，同時隱層權值與輸出層呈線性關系。

雖然BP神經網絡和RBF神經網絡在一定條件下都能以任意精度逼近非線性函數，但由于兩者在構造和激勵函數上有所不同，其性能也存在著很大的差別。比如通用性上RBF神經網絡與BP神經網絡在學習和收斂速度上，RBF神經網絡比BP神經網絡更快;函數逼近能力上RBF神經網絡強于BP神經網絡。因此，對于霧霾預測，RBF神經網絡的預測誤差會小于BP神經網絡。

2? 人工神經網絡的發展趨勢

隨著人工神經網絡的發展，無論是自身進一步發展還是與其他科技成果的合作都在不停地進行著。其中，人工神經網絡與大數據以及人工智能的結合有著很好的發展前景，下文將進行簡要討論。

2.1? 大數據方面

大數據作為近年新興的熱門研究領域，能夠與人工神經網絡進行很好的合作。一方面，大量的、多元的且變化迅速的數據更適合以神經網絡進行處理。人工神經網絡的優點如有針對性、可整合、捕捉能力強等都有利于大數據實現價值轉化;另一方面，數據量保證了神經網絡有充足的訓練樣本，因此訓練更大規模的神經網絡將會得以實現。隨著硬件水平的提升，二者發展的速度都是十分可觀的。相輔相成的特性會讓兩者的結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，人工神經網絡研究的主要精力將傾向深度學習、深層神經網絡。當下我們見到的神經網絡大都屬于生物神經的簡化形式，這些屬于淺層神經網絡，他們產生原理相近，通過對人工智能領域最新的研究成果和趨勢進行分析，基于神經網絡的人工智能方法具有更加廣闊的研究前景[14]。其中，對神經網絡的結構和神經元節點的特性進行改進，是人工智能領域實現再一次跨越式發展的突破口之一[15]。

人工神經網絡，人工智能和大數據領域三者之間的關系是緊密的，是相互聯系、相互促進的，神經網絡與人工智能同為受生物活動啟發，可觀的數據量將為進一步發展提供強有力的推進。隨著硬件水平的發展，人工神經網絡將會與更多技術產生合作，為技術發展注入更多活力。

3? 人工神經網絡未來的挑戰與研究方向

我們在人工神經網絡技術特點的研究中，對于人工神經網絡未來的挑戰和研究方向，得出了以下兩條結論。

第一，人工神經網絡的易用性仍有待提高。由于其本身特性，人工神經網絡無法從時間角度展示PM2.5的變化特征[16]，而且應用人工神經網絡時，需要一定的編程基礎，并且一般需要反復調試。在設計模型的階段，參數優化時不能一味追求誤差小。單站點小范圍內不出現問題并不代表應用于多站點大量數據時依然沒有問題。若設定過小，應用時收斂速度極慢，程序假死的現象也會發生。在多次迭代方面，進行GA優化能夠在一定程度上解決RBF神經網絡本身容易受網絡初始參數影響的缺點。從王鑫的研究中可知，通過觀察，優化后更加復雜的GA-RBF模型的結果和性能，其迭代的次數更少，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網絡變得更加簡單、易用將會是未來的研究方向之一。

第二，人工神經網絡的穩定性仍有待提高。以本文的預測霧霾為例進行討論，人工神經網絡經過多次調試和迭代后，對于霧霾預測依然存在一定誤差。一方面，訓練樣本數據對人工神經網絡本身會造成很大的影響，因此在選取樣本時需要進行更多、更謹慎的考慮，以選取更具有代表性的樣本，保證預測結果的可靠性[17];另一方面，在面對特殊時段時，我們可以看到大部分系統仍然存在提升的空間。并且在進行設計時，我們應對其他會對霧霾實際情況產生影響的一些自然因素給予關注，納入計算范圍[18]。所以以后的研究應致力于減小誤差和提高準確性。對于未來的研究方向，應該是結合現今技術發展的趨勢，從而達到提高人工神經網絡的準確性和穩定性的目的。

4? 結? 論

現今人工神經網絡已經能對霧霾水平進行較為精準的預測，同時也能夠應用于水質預測、機械合成材料水平預測以及出售電量預測等方面。未來的人工神經網絡有著廣闊的發展前景，但也存在著相應的困難與挑戰。相信隨著時代不斷地發展，人工神經網絡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步。

參考文獻：

[1] 王輝.人工神經網絡研究與發展綜述 [J].電腦知識與技術，2008（30）：710-711.

[2] 何明.大學計算機基礎 [M].南京：東南大學出版社，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.基于BP人工神經網絡的高速公路能見度預報 [J].科技與創新，2019（18）：76-77.

[5] 翟偉，毛靜，孟雅丹，等.結合灰色理論的人工神經網絡方法在水質預測中的應用 [J/OL].南水北調與水利科技：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過程預測 [J].福州大學學報（自然科學版），2019，47（5）：652-657.

[7] 白登輝.計及偏差電量考核機制的人工神經網絡售電量預測模型 [J/OL].電工電能新技術：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.基于神經網絡的霧霾預警系統研究與實現 [J].計算機技術與發展，2019，29（10）：26-30.

[9] 鄧茗春，李剛.幾種典型神經網絡結構的比較與分析 [J].信息技術與信息化，2008（6）：29-31.

[10] 艾洪福，石瑩.基于BP人工神經網絡的霧霾天氣預測研究 [J].計算機仿真，2015，32（1）：402-405+415.

[11] 石云.Bp神經網絡的Matlab實現 [J].湘南學院學報，2010，31（5）：86-88+111.

[12] 王鑫.霧霾的RBF網絡與遺傳算法優化預測 [J].科技視界，2016（19）：98-99+115.

[13] 焦李成，楊淑媛，劉芳，等.神經網絡七十年：回顧與展望 [J].計算機學報，2016，39（8）：1697-1716.

[14] 章毅，郭泉，王建勇.大數據分析的神經網絡方法 [J].工程科學與技術，2017，49（1）：9-18.

[15] 劉經緯，趙輝，周瑞，等.高精度自適應小波神經網絡人工智能方法探索 [J].計算機科學與探索，2016，10（8）：1122-1132.

[16] 王梓霖.基于深度學習的霧霾質量濃度預測研究 [J].無線互聯科技，2019，16（10）：110-112.

[17] 張平華，盛凱.基于神經網絡的霧霾預測模型實證研究 [J].菏澤學院學報，2018，40（5）：17-21.

[18] 百度文庫.神經網絡及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。