程昊天 韩曦 王运智 刘一

摘  要：随着雾霾天气的逐渐增多，对空气造成了污染，给人们的生活产生了较大影响，人工神经网络是人们预测雾霾的重要工具。因此，为了更好地反映雾霾在时间及空间的分布状况，为预防工作提供充足的时间准备以雾霾预测研究为例，对人工神经网络的现状、发展与应用进行了简要描述，并结合人工智能、大数据等方面对人工神经网络的未来发展趋势进行了综述。

关键词：雾霾预测;人工神经网络;水质预测

中图分类号：TP183       文献标识码：A 文章编号：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

人工神经网络（Artificial Neural Networks，简写为ANNs）[1]，它是一种应用类似于大脑神经突触连接的结构进行信息处理的数学模型。其网络中含有大量神经元相互连接可以达到传递信息和处理数据的目的，是一种自适应的计算模型[2]。近些年来，人工神经网络已经在生物、经济、科技以及医学等多个方面起到了十分显著的作用，同时人工神经网络也具有很大的发展前景。本文以雾霾预测为例，对人工神经网络的现状与发展方向进行深入的分析。文献[3]表明雾霾是特定的气候条件与人类活动相互作用的结果，常见于城市，也称阴霾、灰霾，是指原因不明的大量烟、尘等微粒悬浮而形成的浑浊天气现象。那么针对此种情况使用人工神经网络对雾霾进行预测是一个很好的方法，因为神经网络在数据预测中具有自主学习功能、联想存储功能以及寻找优化解的能力，它对预测有着非常重要的意义。同时影响PM2.5的组成因子与PM2.5的浓度值之间呈现非线性关系，并且本文中提到的两种人工神经网络都能对非线性关系进行较好的处理。由于雾霾这种污染天气会对人们的生活造成较大影响，如对人体造成呼吸疾病、心理疾病以及心血管疾病等;降低光照及能见度，从而对交通造成不利影响;污染物质也会给农作物和生态环境带来危害[3]，因此雾霾预测也就成为了人工神经网络重要的发展方向之一。

1  人工神经网络现状

针对于人工神经网络的现状来说，人工神经网络在多个方面和领域都有相应的实际应用。人工神经网络可以发挥出自己的技术特点，人工神经网络可以实现构建水质预测模型的功能，它可以通过神经网络的数据学习功能对未来的水质来进行预测[4]，同时人工神经网络也能通过输入数据和多次重复调试迭代的多步骤得到一个有实际作用的水质预测系统[5]。一方面，人工神经网络也可以应用在机械工程合成材料的领域，人工神经网络可以通过实时监测各种物质在反应器中的浓度水平，从而推测合成材料结果的成分水平良品率[6]。另一方面，应用人工神经网络同样也可以在统一供电厂的预算系统中对未来出售电量进行预测[7]。人工神经网络不但具有广泛的应用性，还具有极高的实际应用价值，提高可操作空间的经济效益，它通过合理和可依靠的对未来发生事情的预测可以提高生产效率，也能改善经济效益，而针对于水质预测以及机械反应炉预测这两种情况来说，实际操作难以有持续和实时地对测量数值进行监控的技术。那么利用人工神经网络预测和定时归纳数据的方法可以较准确地归纳出当前數值的预测量。

在雾霾预测研究中，影响PM2.5的数据之间的关系为非线性关系，而特定的人工神经网络恰好对非线性关系的数据有着强大的处理能力。目前的主流技术是利用Back Propagation神经网络（以下简称为BP神经网络）进行数据处理并计算，利用BP神经网络的数据学习能力，经过反复调试得出有意义的神经预测网络[8]。

本文以BP神经网络对未来的雾霾水平进行预测为例，同时也应用了另外一种神经网络技术Radial Basis Function神经网络（简称为RBF神经网络）[9]，对BP神经网络和RBF神经网络进行简要说明。

根据文献[3]可知，雾霾的组成物主要有二氧化硫、二氧化氮和PM2.5。为了便于描述，我们仅选择适于量化、易对PM2.5产生影响、同时能反映PM2.5水平的几个组成因素作为神经网络的输入数据，如二氧化硫、二氧化碳以及一氧化碳等。雾霾预测的原理即为将收集好的污染物浓度值作为输入数据，代入到已构建好的神经网络函数中，由此得到污染物浓度随时间变化的趋势，从而达成雾霾的预测[10]。

由文献[11]可知，BP神经网络的组成有输入层、隐层和输出层，其中隐层可以有若干层，在预测时需要自己去确定隐层数，图中，Xi（i=1，2，…，n）表示来自与当前神经元相连的其它神经元传递的输入信号。BP神经网络结构图如图1所示。

由文献[12]可知，RBF神经网络的组成为3层前向网络。从图2中可以看到RBF神经网络只有一层隐层，同时隐层权值与输出层呈线性关系。

虽然BP神经网络和RBF神经网络在一定条件下都能以任意精度逼近非线性函数，但由于两者在构造和激励函数上有所不同，其性能也存在着很大的差别。比如通用性上RBF神经网络与BP神经网络在学习和收敛速度上，RBF神经网络比BP神经网络更快;函数逼近能力上RBF神经网络强于BP神经网络。因此，对于雾霾预测，RBF神经网络的预测误差会小于BP神经网络。

2  人工神经网络的发展趋势

随着人工神经网络的发展，无论是自身进一步发展还是与其他科技成果的合作都在不停地进行着。其中，人工神经网络与大数据以及人工智能的结合有着很好的发展前景，下文将进行简要讨论。

2.1  大数据方面

大数据作为近年新兴的热门研究领域，能够与人工神经网络进行很好的合作。一方面，大量的、多元的且变化迅速的数据更适合以神经网络进行处理。人工神经网络的优点如有针对性、可整合、捕捉能力强等都有利于大数据实现价值转化;另一方面，数据量保证了神经网络有充足的训练样本，因此训练更大规模的神经网络将会得以实现。随着硬件水平的提升，二者发展的速度都是十分可观的。相辅相成的特性会让两者的结合带来接连不断的新的精彩[13]。

2.2  人工智能方面

就目前来看，人工神经网络研究的主要精力将倾向深度学习、深层神经网络。当下我们见到的神经网络大都属于生物神经的简化形式，这些属于浅层神经网络，他们产生原理相近，通过对人工智能领域最新的研究成果和趋势进行分析，基于神经网络的人工智能方法具有更加广阔的研究前景[14]。其中，对神经网络的结构和神经元节点的特性进行改进，是人工智能领域实现再一次跨越式发展的突破口之一[15]。

人工神经网络，人工智能和大数据领域三者之间的关系是紧密的，是相互联系、相互促进的，神经网络与人工智能同为受生物活动启发，可观的数据量将为进一步发展提供强有力的推进。随着硬件水平的发展，人工神经网络将会与更多技术产生合作，为技术发展注入更多活力。

3  人工神经网络未来的挑战与研究方向

我们在人工神经网络技术特点的研究中，對于人工神经网络未来的挑战和研究方向，得出了以下两条结论。

第一，人工神经网络的易用性仍有待提高。由于其本身特性，人工神经网络无法从时间角度展示PM2.5的变化特征[16]，而且应用人工神经网络时，需要一定的编程基础，并且一般需要反复调试。在设计模型的阶段，参数优化时不能一味追求误差小。单站点小范围内不出现问题并不代表应用于多站点大量数据时依然没有问题。若设定过小，应用时收敛速度极慢，程序假死的现象也会发生。在多次迭代方面，进行GA优化能够在一定程度上解决RBF神经网络本身容易受网络初始参数影响的缺点。从王鑫的研究中可知，通过观察，优化后更加复杂的GA-RBF模型的结果和性能，其迭代的次数更少，运行消耗的时间更短，同时精度也会更高。因此如何使人工神经网络变得更加简单、易用将会是未来的研究方向之一。

第二，人工神经网络的稳定性仍有待提高。以本文的预测雾霾为例进行讨论，人工神经网络经过多次调试和迭代后，对于雾霾预测依然存在一定误差。一方面，训练样本数据对人工神经网络本身会造成很大的影响，因此在选取样本时需要进行更多、更谨慎的考虑，以选取更具有代表性的样本，保证预测结果的可靠性[17];另一方面，在面对特殊时段时，我们可以看到大部分系统仍然存在提升的空间。并且在进行设计时，我们应对其他会对雾霾实际情况产生影响的一些自然因素给予关注，纳入计算范围[18]。所以以后的研究应致力于减小误差和提高准确性。对于未来的研究方向，应该是结合现今技术发展的趋势，从而达到提高人工神经网络的准确性和稳定性的目的。

4  结  论

现今人工神经网络已经能对雾霾水平进行较为精准的预测，同时也能够应用于水质预测、机械合成材料水平预测以及出售电量预测等方面。未来的人工神经网络有着广阔的发展前景，但也存在着相应的困难与挑战。相信随着时代不断地发展，人工神经网络的各方面功能也会得以提升和完善，届时必定会为科技带来光明的进步。

参考文献：

[1] 王辉.人工神经网络研究与发展综述 [J].电脑知识与技术，2008（30）：710-711.

[2] 何明.大学计算机基础 [M].南京：东南大学出版社，2015：240.

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

[4] 张杰，熊权.基于BP人工神经网络的高速公路能见度预报 [J].科技与创新，2019（18）：76-77.

[5] 翟伟，毛静，孟雅丹，等.结合灰色理论的人工神经网络方法在水质预测中的应用 [J/OL].南水北调与水利科技：1-9 [2019-10-17].http：//kns.cnki.net/kcms/detail/13.1334.TV. 20191012.1516.004.html.

[6] 黄元晨，沈元兴，沈英. ANN模型对自热式固定床气化的动态过程预测 [J].福州大学学报（自然科学版），2019，47（5）：652-657.

[7] 白登辉.计及偏差电量考核机制的人工神经网络售电量预测模型 [J/OL].电工电能新技术：1-10[2019-10-17].http：//kns.cnki.net/kcms/detail/11.2283.TM.20191010.1527.002.html.

[8] 黄威，王星捷，阳清青.基于神经网络的雾霾预警系统研究与实现 [J].计算机技术与发展，2019，29（10）：26-30.

[9] 邓茗春，李刚.几种典型神经网络结构的比较与分析 [J].信息技术与信息化，2008（6）：29-31.

[10] 艾洪福，石莹.基于BP人工神经网络的雾霾天气预测研究 [J].计算机仿真，2015，32（1）：402-405+415.

[11] 石云.Bp神经网络的Matlab实现 [J].湘南学院学报，2010，31（5）：86-88+111.

[12] 王鑫.雾霾的RBF网络与遗传算法优化预测 [J].科技视界，2016（19）：98-99+115.

[13] 焦李成，杨淑媛，刘芳，等.神经网络七十年：回顧与展望 [J].计算机学报，2016，39（8）：1697-1716.

[14] 章毅，郭泉，王建勇.大数据分析的神经网络方法 [J].工程科学与技术，2017，49（1）：9-18.

[15] 刘经纬，赵辉，周瑞，等.高精度自适应小波神经网络人工智能方法探索 [J].计算机科学与探索，2016，10（8）：1122-1132.

[16] 王梓霖.基于深度学习的雾霾质量浓度预测研究 [J].无线互联科技，2019，16（10）：110-112.

[17] 张平华，盛凯.基于神经网络的雾霾预测模型实证研究 [J].菏泽学院学报，2018，40（5）：17-21.

[18] 百度文库.神经网络及BP与RBF比较 [EB/OL].[2019-10-17].https：//wenku.baidu.com/view/cf7de9d664ce0508763 231126edb6f1aff007134.html.

作者简介：程昊天（1999-），男，汉族，北京人，本科在读，研究方向：微电子科学与工程;通讯作者：韩曦（1983-），女，汉族，河北石家庄人，博士，讲师，研究方向：无线通信;王运智（2000-），男，汉族，河南濮阳人，本科在读，研究方向：电子信息工程;刘一（2000-），男，汉族，北京人，本科在读，研究方向：电子信息工程。