论文部分内容阅读
[摘 要]近些年来，我国的高速铁路建设蓬勃发展，高铁营运里程成倍增加。然而，高铁对生态环境的影响问题也越来越受到重视。本文主要研究改进过的BP人工神经网络在高铁建设生态环境影响评价中的应用。重点阐述了 BP人工神经网络的相关原理，探讨了将人工神经网络应用到高铁建设生态环境影响评价工作中。
[关键词]高铁建设；生态；环境影响评价；方法
中图分类号：U496.5 文献标识码：A 文章编号：1009-914X（2017）20-0240-01
近年来，随着经济的快速增长，人们在交通方面的需求也在不断上升，08年的金融危机使我们加快了以交通建设为主导的投资拉动经济发展，从此我国开始了大规模的交通基础设施建设，特别是在铁路投资建设规模的显著加大。目前，高速铁路作为铁路的未来发展方向，它的发展速度是有目共睹的，2008年，京津城际高铁开通运营，在几年里通车里程成倍增加，我国已经进入了高铁时代[1]。随着高铁蓬勃发展的同时，环保问题也越来越受到人们的重视。高铁建设是个浩大的工程，经过的路径错综复杂，所以它的建设必然会对生态环境造成影响，影响波及的范围很广，涉及的领域也较多，指标体系的建立必须在全面分析各种可能产生的影响的基础上，根据指标体系的建立原则以及以往的经验等找出最能评价出结果的指标[2]。根据以往的高铁以及普通铁路的经验，可能产对水环境、水土流失、动植物、大气、施工固体垃圾、噪音、土地占用产生影响，故我们需要对上述因素进行生态环境影响评价。
人工高铁进行环境评价时，大都采用综合评价法。在综合评价方法中又分为图形叠置法、清单法、矩阵法、网络法、指数法等[3]。这里我们介绍的是基于人工神经网络高铁建设生态环境影响评价方法。
1 BP神经网络基本原理及模型建立
神经网络是对人脑功能的某种模仿、简化和抽象，它是一种由大量神经元组成的线性自适应的动力学系统，具有很强的学习、联想、容错和抗干扰能力。神经网络的方法不是单一的，有数十种之多，但是结合实际，最被熟知的是误差反向传播算法，即BP神经网络，它在图像处理、信号处理、管理、医疗等各个方面得到可有效的广泛的应用，发展也较为成熟。
BP网络分为多隐层和单隐层，一般情况下，应用较多的是单引层类型。通常，单引层BP网络分为三部分：输入层，这一层通常是用来接受外界信息；隐层，是用来储存信息或者表示传递信息；输出层，对输入层接受的外界信息进行识别，判断及决策。BP网络传递信息的形式是单向的，即使同一层神经元之间也不会存在相互联系，层与层之间会采用权值矩阵来进行联系，其值可通过不断地学习来进行优化调整。隐层和输出层的神经元的状态都是受到上一层神经元的影响，每层的神经元都有一个转移函数/使此层要传递的信息运送到下一层，针对每层的转移函数通常有些差别。BP网络的学习模式按传播方向分为两部分，一部分为学习信号的正向传播，另一部分为误差的逆向传播。当网络的一个输入模式确定时，首先是正向传播，外界信息从输入层输入，而后信息从输入层神经元传递到隐层神经元，隐层的神经元会经过层层处理而后再传送到输出层的神经元，这时会由输出层实际输出一个结果，如果输出结果与预期的结果有很大的误差，那么就转入另外一种模式，误差反向传播，即将产生的误差按原线路反馈到输入层，在这过程中，寻找不断的修改权值和阈值，使误差降到最低，然后再来正向传播，随着正向传播和反向传播的循环交替，网络得到了训练，当误差足够小满足要求时学习终止，这时可得到准确的权值和阈值，就可以用此网络进行实际的工作任务。
经过几十年的发展，神经网络在实际工作学习中应用越来越广泛。高铁建设生态环境影响综合评价是分级问题，而误差反向传播BP网络适于解决分级问题。本研究选用了传统的三层BP网络模型，即输入层，隐含层，输出层。该网络每层都有数以万计的神经元，处于同一层的神经元之间无连接，而层与层之间实现充分全连接。传统的三层BP网络模型可记为n-q-m，n表示输入层神经元个数，g表示隐含层神经元个数，m表示输出层神经元个数。BP网络算法的思想是：Xn=（X1…Xn）T作为n维输入向量，Ym=（Y1…Ym）T作为m维输出向量，在既定的精度下，由Xn=（X1…Xn）T到Ym=（Y1…Ym）T的一个非线性映射。在最小二乘法和梯度法的基础上，通过不断地迭代运算，不断地改变权值，以使输出结果误差最小。
2 建立BP神经网络模型应注意的问题
BP网络模型若建立的不当，网络会出现测试或者检验样本的误差会远远大于训练样本，此时建立好的网络模型不能很好的适应这一情况，而出现较大的错误。因此，在建立BP神经网络模型时在样本选择、网络拓扑结构上要注意一些问题，如下：
（1） 完备全面的训练样本。训练样本的选择必须是完备全面的，覆盖到每一个区域。否则，当BP神经网络运行时，没有覆盖到训练样本的区域就不会给出正确的结果。
（2）输入样本的数目。输入样本的数目多少取决的因素很多，其中以要建立的网络的大小最为重要。一般要求选择的学习样本的数量要高于权值数量的5倍，甚至10倍以上。若没有大量的样本去训练模型，可能对于非训练样本不会像训练样本那样的到很高的准确度。对于三层BP神经网络，为了提高正确的输出结果，所选择的训练样本数量必须多于隐层节点数。
（3）网络的性能。网络的性能不是用拟合度来衡量，而是其是否可以较为准确的的输出非学习样本输入的数据想要得到的结果。因此，这就需要一组专门挑出的数据来作为测试检验样本。可以从总样本中选择，随机抽取两组，一组用来检验，防止网络训练过于拟合；另一组用来测试，可以为训练好的网络作评价，看是否可以得到想要的結果。在实际训练中，为了训练的神经网络更好的应用到工作中，需要认真对待以上可能会出现的问题。当测试样本和检测样本得出的均方误差曲线接近一致时，就可称之为泛化能力强，此时，这样的网络就能够准确的用于评价未知样本。
（4）精准的拓扑结构。在能够满足准确度的基础上，尽最大可能性釆用一种紧密的神经网络结构模式，在隐层和隐层节点的数目上要少，以避免训练过于拟合。
3 结论
随着环境问题的日益严重，高铁建设生态环境影响评价迫在眉睫。对于高铁建设生态环境评价的方法研究不拘泥于一种，除了层次分析法、模糊评价及主成分分析等传统的评价方法外，还有许多非线性的方法研究，本文重点阐述了 BP人工神经网络的的相关原理，探讨了将人工神经网络应用到高铁建设生态环境影响评价中的方法及需要注意的问题，以期通过本文的介绍可为后续研究者提供理论指导。
参考文献
[1] 陈辉，李双成，郑度.基于人工神经网络的青藏公路铁路沿线生态系统风险研究[J].北京大学学报：自然科学版，2005，41（4）：586-593.
[2] 陈雁平.建设项目的环境影响评价方法学研究[D].西安：西安建筑科技大学，2009.
[3] 徐文兰.国外高速铁路建设环境影响评价的现状[J].铁道劳动安全卫生与环保：环境保护，1995，22（1）：68-70.
[关键词]高铁建设；生态；环境影响评价；方法
中图分类号：U496.5 文献标识码：A 文章编号：1009-914X（2017）20-0240-01
近年来，随着经济的快速增长，人们在交通方面的需求也在不断上升，08年的金融危机使我们加快了以交通建设为主导的投资拉动经济发展，从此我国开始了大规模的交通基础设施建设，特别是在铁路投资建设规模的显著加大。目前，高速铁路作为铁路的未来发展方向，它的发展速度是有目共睹的，2008年，京津城际高铁开通运营，在几年里通车里程成倍增加，我国已经进入了高铁时代[1]。随着高铁蓬勃发展的同时，环保问题也越来越受到人们的重视。高铁建设是个浩大的工程，经过的路径错综复杂，所以它的建设必然会对生态环境造成影响，影响波及的范围很广，涉及的领域也较多，指标体系的建立必须在全面分析各种可能产生的影响的基础上，根据指标体系的建立原则以及以往的经验等找出最能评价出结果的指标[2]。根据以往的高铁以及普通铁路的经验，可能产对水环境、水土流失、动植物、大气、施工固体垃圾、噪音、土地占用产生影响，故我们需要对上述因素进行生态环境影响评价。
人工高铁进行环境评价时，大都采用综合评价法。在综合评价方法中又分为图形叠置法、清单法、矩阵法、网络法、指数法等[3]。这里我们介绍的是基于人工神经网络高铁建设生态环境影响评价方法。
1 BP神经网络基本原理及模型建立
神经网络是对人脑功能的某种模仿、简化和抽象，它是一种由大量神经元组成的线性自适应的动力学系统，具有很强的学习、联想、容错和抗干扰能力。神经网络的方法不是单一的，有数十种之多，但是结合实际，最被熟知的是误差反向传播算法，即BP神经网络，它在图像处理、信号处理、管理、医疗等各个方面得到可有效的广泛的应用，发展也较为成熟。
BP网络分为多隐层和单隐层，一般情况下，应用较多的是单引层类型。通常，单引层BP网络分为三部分：输入层，这一层通常是用来接受外界信息；隐层，是用来储存信息或者表示传递信息；输出层，对输入层接受的外界信息进行识别，判断及决策。BP网络传递信息的形式是单向的，即使同一层神经元之间也不会存在相互联系，层与层之间会采用权值矩阵来进行联系，其值可通过不断地学习来进行优化调整。隐层和输出层的神经元的状态都是受到上一层神经元的影响，每层的神经元都有一个转移函数/使此层要传递的信息运送到下一层，针对每层的转移函数通常有些差别。BP网络的学习模式按传播方向分为两部分，一部分为学习信号的正向传播，另一部分为误差的逆向传播。当网络的一个输入模式确定时，首先是正向传播，外界信息从输入层输入，而后信息从输入层神经元传递到隐层神经元，隐层的神经元会经过层层处理而后再传送到输出层的神经元，这时会由输出层实际输出一个结果，如果输出结果与预期的结果有很大的误差，那么就转入另外一种模式，误差反向传播，即将产生的误差按原线路反馈到输入层，在这过程中，寻找不断的修改权值和阈值，使误差降到最低，然后再来正向传播，随着正向传播和反向传播的循环交替，网络得到了训练，当误差足够小满足要求时学习终止，这时可得到准确的权值和阈值，就可以用此网络进行实际的工作任务。
经过几十年的发展，神经网络在实际工作学习中应用越来越广泛。高铁建设生态环境影响综合评价是分级问题，而误差反向传播BP网络适于解决分级问题。本研究选用了传统的三层BP网络模型，即输入层，隐含层，输出层。该网络每层都有数以万计的神经元，处于同一层的神经元之间无连接，而层与层之间实现充分全连接。传统的三层BP网络模型可记为n-q-m，n表示输入层神经元个数，g表示隐含层神经元个数，m表示输出层神经元个数。BP网络算法的思想是：Xn=（X1…Xn）T作为n维输入向量，Ym=（Y1…Ym）T作为m维输出向量，在既定的精度下，由Xn=（X1…Xn）T到Ym=（Y1…Ym）T的一个非线性映射。在最小二乘法和梯度法的基础上，通过不断地迭代运算，不断地改变权值，以使输出结果误差最小。
2 建立BP神经网络模型应注意的问题
BP网络模型若建立的不当，网络会出现测试或者检验样本的误差会远远大于训练样本，此时建立好的网络模型不能很好的适应这一情况，而出现较大的错误。因此，在建立BP神经网络模型时在样本选择、网络拓扑结构上要注意一些问题，如下：
（1） 完备全面的训练样本。训练样本的选择必须是完备全面的，覆盖到每一个区域。否则，当BP神经网络运行时，没有覆盖到训练样本的区域就不会给出正确的结果。
（2）输入样本的数目。输入样本的数目多少取决的因素很多，其中以要建立的网络的大小最为重要。一般要求选择的学习样本的数量要高于权值数量的5倍，甚至10倍以上。若没有大量的样本去训练模型，可能对于非训练样本不会像训练样本那样的到很高的准确度。对于三层BP神经网络，为了提高正确的输出结果，所选择的训练样本数量必须多于隐层节点数。
（3）网络的性能。网络的性能不是用拟合度来衡量，而是其是否可以较为准确的的输出非学习样本输入的数据想要得到的结果。因此，这就需要一组专门挑出的数据来作为测试检验样本。可以从总样本中选择，随机抽取两组，一组用来检验，防止网络训练过于拟合；另一组用来测试，可以为训练好的网络作评价，看是否可以得到想要的結果。在实际训练中，为了训练的神经网络更好的应用到工作中，需要认真对待以上可能会出现的问题。当测试样本和检测样本得出的均方误差曲线接近一致时，就可称之为泛化能力强，此时，这样的网络就能够准确的用于评价未知样本。
（4）精准的拓扑结构。在能够满足准确度的基础上，尽最大可能性釆用一种紧密的神经网络结构模式，在隐层和隐层节点的数目上要少，以避免训练过于拟合。
3 结论
随着环境问题的日益严重，高铁建设生态环境影响评价迫在眉睫。对于高铁建设生态环境评价的方法研究不拘泥于一种，除了层次分析法、模糊评价及主成分分析等传统的评价方法外，还有许多非线性的方法研究，本文重点阐述了 BP人工神经网络的的相关原理，探讨了将人工神经网络应用到高铁建设生态环境影响评价中的方法及需要注意的问题，以期通过本文的介绍可为后续研究者提供理论指导。
参考文献
[1] 陈辉，李双成，郑度.基于人工神经网络的青藏公路铁路沿线生态系统风险研究[J].北京大学学报：自然科学版，2005，41（4）：586-593.
[2] 陈雁平.建设项目的环境影响评价方法学研究[D].西安：西安建筑科技大学，2009.
[3] 徐文兰.国外高速铁路建设环境影响评价的现状[J].铁道劳动安全卫生与环保：环境保护，1995，22（1）：68-70.