（采矿工程专业论文）基于神经网络方法的工程地质环境质量评价研究.pdf

河北理工大学硕士学位论文 摘要 工程地质环境质量评价是环境工程地质学的重点研究内容，也是当代环境科学 研究的重要课题。在人类工程经济活动与工程地质环境相互作用研究的基础上，进 行工程地质环境质量评价与预测。不仅能够指导人们合理利用工程地质环境和自然 资源，而且能为工程地质环境的整治、地质灾害的预测与防治、城市科学合理的规 划、工程建设项目的选址提供工程地质的可行性或不可行性分析提供科学依据。 工程地质环境质量评价的方法有多种，如模糊数学法、灰色系统理论、地理信 息系统方法等，但由于工程地质环境质量影响因素复杂多变，而且具有很大的模糊 性，且各种方法考虑的因素不一。判别结果出入较大，因此，用以上这些方法来实 现评价分类存在一定的问题。 本文在比较上述评价方法的基础上，对b p 神经网络方法的原理进行了分析， b p 神经网络方法具备处理非线性问题能力强的特点，并依此建立了工程地质环境 质量评价b p 神经网络模型，在此基础上以唐山市北部山区为例对该评价方法所建 立系统进行了验证，结果表明：采用b p 神经网络对工程地质环境质量评价是可行 的，最终识别结果是可靠的。 图1 2 表6 参5 9 关键词；t 程地质；环境质量评价；b p 神经网络 分类号：p 6 4 2 ； 河北理工大学硕士学位论文 a b s t r a c t e n g i n e e r i n gg e o l o g ye n v i r o n m e n t a lq u a l i t ya p p r a i s e st h ei m p o r t a n tp r o b l e mb e i n g t h a te n v i r o n m e n te n g i n e e r i n gg e o l o g yp r i o r i t ys t u d i e sc o n t e n t ，i sa l s ot h ep r e s e n ta g e e n v i r o n m e n t s t u d y o fs c i e n c e o nb a s i s i n t e r a c t i n g w i t he n g i n e e r i n g g e o l o g y e n v i r o n m e n ts t u d y i n gi nh u m a nb e i n gp r o j e c te c o n o m i ca c t i v i t y ，t h ee n v i r o n m e n t a l q u a l i t yc a r r y i n go u te n g i n e e r i n gg e o l o g ye s t i m a t e st h a ta n df o r e c a s t s ，b ea b l et og u i d e p e o p l et om a k eu s eo fe n g i n e e r i n gg e o l o g ye n v i r o n m e n ta n d n a t u r a lr e s o u r c e sr a t i o n a l l y n o to n l y ，c a na l s ob et h a te n g i n e e r i n gg e o l o g ye n v i r o n m e n tp u n i s h i n g ，g e o l o g yd i s a s t e r f o r e c a s tp l a nr a t i o n a l l yw i t hp r e v e n t i o na n dc l i l e ，c i t ys c i e n c e ，e n g i n e e r i n gc o n s t r u c t i o n p r o j e c ts e l e c t i o n sl o c a t i o np r o v i d e st h ee n g i n e e r i n gg e o l o g yf e a s i b i l i t yo rf e a s i b i l i t y a n a l y s i sd o e sn o tp r o v i d e s c i e n t i f i cb a s i sf o rs t h t h em e t h o dt h a te n g i n e e r i n gg e o l o g ye n v i r o n m e n t a lq u a l i t ya p p r a i s e sh a sv a r i o u s , i f f u z z ym a t h e m a t i c sl a w ，g r a ys y s t e mt h e o r y ，g e o g r a p h i ci n f o r m a t i o ns y s t e mm e t h o de t c ， b u tc h a n g e f u l ，h a v ea n dv e r yb i gf u z z i n e s ss i n c ee n g i n e e r i n gg e o l o g ye n v i r o n m e n t a l q u a l i t yi n f l u e n c i n gf a c t o ri sc o m p l i c a t e d ，t h ef a c t o rt h a tv a r i o u sm e t h o dc o n s i d e r sd i f f e r s a n d ，d i f f e r e n t i a t eb e t w e e nr e s u l td i s c r e p a n c ye s t i m a t i n gt h a tt h e r ee x i s t sc e r t a i np r o b l e m i nc l a s s i f i c a t i o nm o r e t h e r e f o r e , w i t l lc o m i n gt r u ec o m i n ga l la b o v et h e s em e t h o d b a s i sa p p r a i s i n gm e t h o da ss a i do rn a r r a t e da b o v ei nc o m p a r i s o nh a sb e e nl i s t e di n t h em a i nb o d yo fab o o k ，t h em e t h o dp r i n c i p l eh a sc a r r i e do u ta n a l y s i so nb pn e u r a l n e t w o r k s ，b pn e u r a ln e t w o r k sm e t h o dh a sh a dt h es t r o n ga b i l i t yc h a r a c t e r i s t i ch a n d l i n g t h en o n l i n e a r i t yp r o b l e m ，h a sb u i l ta n de n g i n e e r i n gg e o l o g ye n v i r o n m e n tq u a l i t y e v a l u a t i o nb pn e r v en e t w o r km o d e la c c o r d i n gt ot h i s ，h a st a k e nt a n gs h a nc i t yn o r t h p a r tm o u n t a i na r e aa se x a m p l eh e r eo nt h eb a s i st os h o u l de s t i m a t et h a tw h a tm e t h o d b u i l d ss y s t e mh a sc a r r i e do u tv e r i f i c a t i o n r e s u l ti si n d i c a t e d ：a d o p tb pn e u r a ln e t w o r k s i sf e a s i b l et oe n g i n e e r i n gg e o l o g ye n v i r o n m e n tq u a l i t ye v a l u a t i o n ，t h a tu l t i m a t e n e s s d i s t i n g u i s h e sr e s u l ti sr e l i a b l e f i g u r e1 2 ；t a b l e6 ：r e f e r e n c e5 9 k e y w o r d s ：e n g i n e e r i n gg e o l o g i c a l ，e v a l u a t i o no fe n v i r o n m e n t ，b pn n c h i n e s eb o o k s c a t a l o g ：p 6 4 2 ： u 独创性说明 本人郑重声明：所呈交的论文是我个人在导师指导下进行的研究工 作及取得研究成果。尽我所知，除了文中特别加以标注和致谢的地方 外，论文中不包含其他人已经发表或撰写的研究成果，也不包含为获得 河北理工大学或其他教育机构的学位或证书所使用过的材料。与我一同 工作的同志对本研究所做的任何贡献均已在论文中做了明确的说明并表 示了谢意。 躲避吼坞酶月缬 关于论文使用授权的说明 本人完全了解河北理工大学有关保留、使用学位论文的规定， 即：学校有权保留送交论文的复印件，允许论文被查阅和借阅；学 校可以公布论文的全部或部分内容，可以采用影印、缩印或其他复 制手段保存论文。 ( 保密的论文在解密后应遵循此规定) 期：逸驷加 引言 引言 2 0 世纪7 0 年代以前，我国工程地质环境研究主要局限于对灾害分布规律、形 成机理、趋势预测等方面的研究，基本上依附于水文地质、工程地质勘查和研究工 作7 0 年代以后，工程地质环境研究开始突破传统的研究模式，研究理论不断提 高，研究内容不断丰富。特别是9 0 年代以来，逐渐形成了新的独立的学科工程地 质环境评价的方法也由传统的成因机理分析和统计分析发展为同社会经济条件相结 合的多种评价方法，评价过程也由定性评价转化为半定量评价或定量评价，工程地 质环境质量的评价方法逐渐形成了比较完整和规范的评价体系，评价的内容也日趋 丰富和合理，评价的科学性也日益增强。随着工程地质科技的发展，我国在工程地 质环境质量评价方面也作了大量研究工作，取得了可喜的进展。 多年来许多专家学者对于人工智能方法如何应用在工程地质环境质量评价方面 进行应用，做了大量的研究工作，并取得了丰硕的成果。应用现代数学方法如模糊 数学、灰色理论等将评价结果定量化是环境质量评价一种重要的研究方法。就具体 方法而言，有线性加权平均模糊综合评判、模糊模式识别、模糊贴近度、灰色关联 分析及灰色聚类分析等这些方法在工程地质环境质量评价中得到广泛应用。但是这 些方法各有优缺点，目前尚未有公认的最佳评判方法。 近年来神经网络方法已应用于岩体结构类型及地壳稳定等级的划分等方面，与 其它方法相比，神经网络方法在处理具有交叉性指标问题及划分结果的客观性上具 有明显的优越性利用已训练好的环境质量评价时，训练前对评价指标数据作同样 预先处理，在此基础上建立了用于工程地质环境质量评价的神经网络模型，并通过 工程实例验证了该方法的可行性和有效性 然而，对于这种方法在采矿域的应用研究仍有许多缺点和不足众所周知的基 于人工神经网络的评价法大部分是采用9 0 年代早期甚至是年代的神经网络模 型，如标准b p 神经网络模型，而改进的b p 神经网络模型应用的较少。 随着电脑的普及和科学技术的发展，面向对象的程序设计方法已逐渐变得流行 起来。 鉴于此，实现了面相对象的b p 神经网络设计，并建立了可视化环境质量评价 的b p 神经网络系统。并以唐山北部山区为实例进行了验证，结果证明这种方法的 可行。 1 文献综述 1 1 国内外研究现状 1 文献综述 1 1 1 国外究现状 国外学者对地质灾害危险性分析的研究多是针对单一灾害类型以及有关公众对 灾害的应急对策和小区域的研究并引入g i s 技术来定量进行研究。目前，关于区域 地质灾害危险性评价的研究成果直接效益尚不明显，危险性评价灾种主要局限于滑 坡、泥石流等引起的区域地质灾害。 从7 0 年代后期，以及整个舳年代，美国地质调查局开展了大量的滑坡崩塌、 泥石流等地质灾害危险性区划研究工作。其中以滑坡的研究最为深入，滑坡作为主 要的地质灾害广泛发生于美国5 0 个州，造成每年1 2 亿美元的损失和超过2 5 人的 伤亡。严重威胁着高速公路、旅游景点、矿山、运输等方面的安全。 地质环境质量评价是环境质量评价的重要组成部分。环境评价在国外始于6 0 年 代中期，7 0 年代发展起来，成为环境科学的重要分支。目前许多国家在环境科学研 究中十分重视环境质量评价工作。例如：欧洲、北美、日本等都进行了大量的环境 质量评价研究和评价工作，东欧和原苏联也开展了一些评价工作。许多国家，如： 美国、瑞典、法国、澳大利亚等国都在国家环境保护中规定了环境评价制度。日 本、加拿大、英国、德国、颓西兰等国已经建立了环境影响评价制度。 - 此外，早在二十世纪六、七十年代国外就已经将g i s 技术应用予地质环境与地质 灾害研究中，w lg a r r i s o n l 9 6 5 年首先提出“地理信息系统”这一术语，开创了这一 新技术的发展历史。此后。美国、加拿大、英国、澳大利亚等发达国家均对其投入 了大量人力、物力和财力，并率先使g i s 商业化、社会化、产业化。国外尤其美 国、印度、加拿大等国家对g i s 应用于地质环境及地质灾害研究已做了很多工作 2 0 世纪8 0 年代至今，g i s 技术的应用已从数据管理、多源数据集数字化输入和绘 图输出，到数字高程模型( d e m ) 或数字地形模型( d t m ) 的使用、g i s 结合灾害评 价模型的扩展分析、g i s 与决策支持系统( d s s ) 的集成，g i s 虚拟现实技术的应 用，并逐步发展与深入应用。 在诸多的工作中，以下项目是具有代表性的。 2 1 文献综述 印度r o o r k e e 大学地球科学系的r p g u p t a 和b cj o s h i ( 1 9 9 0 年) 用g i s 方法 对喜马拉雅山麓的r a m g a n g ac a t c h m e n t 地区进行滑坡灾害危险性分带此项研究基 于多源数据集，如航空像片、磁带数据、图像、假彩色合成图像及各种野外数据， 包括地质，构造、地形、土地利用及滑坡分布以上数据需要进行数字处理、图像 处理等处理，然后解译绘制出地质图( 岩性与构造) 、滑坡分布图、土地利用图等专 题平面图。这些数字化图件及属性数据都存储在g i s 系统中，找出与滑坡灾害评价 相关的因素，利用g i s 的存储、更新、网格化、空间叠加功能，得到一张综合图 件，图上反映的是每个地区的权重总和根据标准，即可在这张图上绘出滑坡灾害 危险性分区图。 美国科罗拉多州立大学m a r i om e j i a n a v a r r o 和e l l e ne w o h l ( 1 9 9 4 年) 在哥伦 比亚的麦德林地区，用g i s 进行地质灾害和风险评估利用g i s 对麦德林地区地质 灾害进行了分析和研究，重点考虑了基岩和她表地质条件、构造地质条件、气候、 地形、地貌单元及其形成作用、土地利用和水文条件等因素；根据各因素的组成成 分和灾害之间的对应关系，把每一种因素细分为不同范畴等级，借助于g i s 软件 ( g r a s s ) 的空间信息存储、缓冲区分析、d e m 模型及叠加分析等功能? 对有关滑 坡、洪水和河岸侵蚀等灾害倾向地区进行了灾害分析，并对某一具体事件各构成因 素的脆弱性进行评价。 1 1 2 国内研究现状 近年来，在城市环境综合整治、防治污染及自然环境保护等方面工作已经取得 了很大成绩，但是，目前进行的最多的还是环境污染的研究，多数只是污染环境质 量评价，已经形成了较为成熟的理论方法，而这仅仅是环境研究的第一步工作如 今，环境质量评价、地质环境质量评价、生态环境质量评价、环境影响评价等工作 发展十分迅速。如：由陆雍森主编的环境评价( 第二版) 已于1 9 9 9 年出版，此 书包括了环境评价学科的基本内容，包含许多新理论、新方法，如：视觉环境评 价、累积效应分析、环境风险评价、公众参与和区域环境影响评价研究等。由周爱 国、蔡鹤生等编著的 地质环境质量评价理论与应用一书已于1 9 9 8 年出版，此书 比较系统全面地论述了有关地质环境质量评价的基本概念、基本原理和常用的评价 方法，在地质环境质量评价研究方面具有代表性。 另外，有关地质环境质量评价的专项研究更是层出不穷。焦宝柱等( 1 9 9 8 ) 模 糊模式识别法应用在地质环境质量评价中；蔡鹤生等( 1 9 9 8 ) 研究了地质环境质量 3 1 文献综述 评价中的专家层次分析定权法，在分析权值及定权模型含义的基础上，探讨了专 家一层次分析定权法的基本原理和方法，并进行了实际应用；闫满存( 1 9 9 8 ) 等分 析了区域地质环境质量研究的现状与趋势；张松滨等( 2 0 0 0 ) 研究了分级贴近度法 与环境质量评价，提出了许多地质环境质量评价的理论与方法；湖北省水利水电科 学研究所的胡艳欣，任茂昆结合三峡库区巴东县西壤坡地区的工程地质条件，运用 模糊数学评价方法进行该区的地质环境质量评价，为该区的工程建设提供了重要参 考。李相然、曹振斌等研究了工程地质环境质量评价理论在城市规划中应用的思路 与方法，并以烟台市为例进行了研究；长安大学的李亚兰等人应用多级模糊式识别 模型进行地质环境评价，克服了最大隶属度原则所不适用的地方，而且以相对隶属 度、隶属函数为基础理论，使隶属度、隶属函数的计算更容易并建立环境质量评价 模型，并应用于山西省洛阳县地质环境质量综合评价中。 近年来，许多学者将神经网络理论引入到环境评价和预测中，如：催尚森等 ( 1 9 9 8 ) 将神经网络运用于工程场地稳定性评价中；纪桂霞等( 1 9 9 9 ) 建立起了水 环境质量评价的人工神经网络模型；张文艺( 2 0 0 0 ) 将其运用于地下水质量评价； 李峰等( 2 0 0 0 ) 将b p 神经网络运用于环境质量评价中；杨志英( 2 0 0 1 ) 用b p 神经 网络模型评价水质；楼文高( 2 0 0 2 ) 将人工神经网络应用于土壤质量的评价与预 测。 进入2 0 世纪9 0 年代以来，深圳市区区域稳定性评价( 地震出版社， 1 9 9 1 ) 、长江三峡工程库首区地壳稳定性评价与水库诱发地震预测( 潭周地等 著，地质出社，1 9 9 1 ) 、冀东地壳稳定性初步研究 1 9 9 2 年河北理工学院的王 景明) 、区域工程地质( 刘国昌著，吉林大学出版社，1 9 9 2 ) 、秦皇岛市区 域稳定工程地质( 杜东菊等著，海洋出版社，1 9 9 3 ) 、区域地壳稳定性定量化 评价( 区域地壳稳定性地质力学) ( 孙叶等著，地震出版社，1 9 9 4 ) 河北平原 区区域地壳稳定性评价( 2 0 0 4 年河北理工学院王景明等) 等专著和成果的发表， 标志着我国区域稳定工程地质发展到成熟阶段。 与此同时，区域稳定性研究在理论上已经更加系统化，研究方法更加科学化， 在评价方法上已由宏观定性评价发展到宏、微观结合的定量半定量评价。其重要 标志是“区域稳定性专家评价系统的出现”1 9 9 2 年殷跃平、胡海涛、康启达研制的 “重大工程选址区域地壳稳定性评价专家系统( c r u s t a b ) ”问世。这种方法是一种 新近发展起来的计算机辅助决策评价系统，殷跃平博士充分吸收了国际原予能机构 关于核电站选址地质地震评价等5 种权威专家的知识，并运用图论的结构矩阵法研 4 1 文献综述 究其专家知识结构框架，探求本学科知识结构的合理性和优化性。为建立知识库和 专家知识的提取打下基础，结构模型是一种图论的分析方法，他将网络图( 或复杂 系统) 元素之间的关系用矩阵的形式表示，从而提示网络图中大量元素之间的内在 联系，并通过计算机将之解成条理分明的多递阶的结构形式，由此建立了区域地壳 稳定性研究的专家模型，其评价内容包括：与地震、地质有关的地质灾害，与地震 有关的地面运动，场区及地表断裂作用三大方面。随后，1 9 9 3 年西安地质学院李同 录博士和杜东菊共同研制的“区域稳定工程地质评价系统”开始试运行这些研究成 果，标志我国区域稳定性研究已发展到世界更高层次并处于领先地位 1 2 神经网络的发展概况 人工神经网络( 简称神经网络) 的研究始于2 0 世纪加年代，当时美国神经网 络学家w a r r e nm c c u l l o c h 和数学家w a l t e rp i t t s 著文指出，脑细胞的活动象断，i 邑开 关，这些细胞可以按各种方式相互组合，进行各种逻辑计算这给人工神经网络的 发展提供了理论基础。到了5 0 年代，随着计算机硬件和软件的迸步，迎来了计算机 模拟的时代，这使得有关神经系统功能的理论可以进行模拟实验，拓宽了研究的路 子。在随后的十几年间，先后出现了多种重要的感知器模型( 神经网络的简单形 式) 。b e r n a r dw i d r o w 和m a r c i a nh a f t 的自适应线性单元( a d a l e ) ( 1 9 5 7 ) 网络模型就是其中的一种。和a d a l i n e 模型相对应得学习算法是w i d r o w h a f t 算 法，网络通过训练后，可成功地用于抵消通信中的回波和噪声，也可用于天气预 报，成为第一个用于实际问题的神经网络。而后，髓着r o s e n b l a t t 模型( 1 9 6 2 ) 和 s t e p h e ng r o s s b e r g 的a v a l a n c h e 模型( 1 9 6 7 ) 的提出，把人工神经网络的研究推向第 一次高潮。 神经网络的真正大发展是在年代以后。随着h o p f i e l d 和b p 等模型的提出， 神经网络取得了前所未有的成功。在此期间，g r o s s b e r g 对神经网络进行了严格的数 学分析，h o p f i e l d 也对他的网络引用了物理力学的分析方法，再加上多层网络训练 问题的解决和统计训练方法的引入，所有这些都给神经网络增添了新的活力。进入 年代以后，神经两络日益发展完善，使它在许多领域都得到了广泛的应用。目 前，神经网络己涉及人工智能、认知科学、神经科学、图像处理、语言学和控制学 等领域。尤其是神经网络与模糊数学的结合，在智能控制和非线性系统的仿真方面 已显出了数字计算机所无法比拟的优越性。 5 1 文献综述 误差的反向传播算法( b a c k p r o p a g a f i o n ，缩写为b p ) 是神经网络学习算法中最 有影响的算法之一，它的提出和完善不但解决了前人设想的多层网络的学习问题， 而且极大地推动了多层前馈网络理论与应用研究的深入和发展。用b p 算法进行学 习的网络俗称b p 网络。b p 算法本质上是一种梯度下降法，收敛速率慢是这类算法 的主要问题近年对b p 网络的研究也主要集中在为提高其性能而对算法的改进 上，当然在其他方面如网络的应用条件研究和网络结构的构造研究上发展也很快。 对传统梯度下降法的修正和改进目前主要采用两种方法：一是修正下降方向，如共 扼梯度法、d a v i d o n f l e t c h e r - p o w e l l 法等；二是修正增量步长，如j a c o b s 的冲量法、 自适应学习率法等。 在进行各种地质工程建设中，都要遇到大量的地质数据，由于客观或主观的原 因，这些数据信息大都具有很大的模糊性和随机性，要对这些数据运用常规的数学 手段进行处理，难度相当大，处理结果也可能不大符合实际情况。且可供分析选择 的变量个数也很多，各变量间的关系又错综复杂，往往事先难以确定他们间的相互 关系。一般的做法是只能在提出若干假设的前提下，建立一简化的数学模型，即假 设所研究的变量间有某种线性或非线性关系。显然这种假设是没有严格的理论指导 的，而只是一种经验的推则。 神经网络通过简单的线性或非线性函数进行数次复合，可以近似任意复杂的函 数。它通过大量的样本训练，反复地调整权值，可建立输入变量与输出变量之间的 非线性关系。它不用建立明确的数学模型，不用显式地表示出地质变量之间的关系 ( 由于各种原因，要明确地表示这种关系往往是不可能的) ，只需通过神经网络就 能“隐式”地表示出各变量间的关系这极大地方便了地质工程数据的处理。 人工神经网络现正值蓬勃发展阶段，它在各个领域取得的巨大成功令人瞩目。 也正因为它处于发展阶段，其不成熟的地方也一样令人注目，如对特定的问题，按 何种规则构造网络拓扑结构为最优；作为广泛应用的多层前向b p 网络，其隐层层 数和隐层单元数该如何确定，该对b p 学习算法作怎样的改进才能使网络收敛较快 和避免收敛于局部极小点等。所有这些问题的解决，都将对人工神经网络的发展起 到极大的推动作用。 在我国，人工神经网络用于地质工程数据分析是近几年来的事情，但发展非常 迅速。有很多人( 如冯夏庭等) 在这方面做了许多工作，但大多数都是试探性的， 如要充分发掘人工神经网络在这方面的潜能，还存在很多方面的不足，有待于更深 层次的研究。 6 1 文献综述 1 3 本文研究内容及研究方法 1 3 1 研究内容 1 工程地质环境质量评价影响因素分析及分类指标确定： 2 神经网络的性能分析及改进； 3 工程地质环境质量评价的神经网络模型的建立、训练； 4 应用唐山地区北部山区实测数据对模型进行验证。 1 3 2 研究方法 1 在理论和实践的基础上对影响唐山北部山区工程地质环境质量的因素进行分 析，确定分类指标； 2 采用经验公式确定b p 神经网络模型隐层结点数，找出最佳的神经网络分类 模型结构； 3 采用v b 6 0 进行编程，实现工程地质环境质量评价的可视化b p 神经网络系 统； 4 以天津地区为例，对此方法进行了验证。 7 2 工程地质环境质量评价方法分析 2 工程地质环境质量评价方法分析 2 1 人工神经网络 人工神经网络( a r t i f i c i a ln e u r a ln e t w o r k ) 指由大量与自然神经系统相类似的神经元 联结而成的网络，是用工程技术手段模拟生物网络结构特征和功能特征的一类人工 系统。b p 神经网络模型是误差反向传播( b a c kp r o p a g a t i o n ) 网络模型的简称。它由输 入层、隐含层和输出层组成。网络的学习过程就是对网络各层节点问连接权逐步修 改的过程，这一过程由两部分组成：正向传播和反向传播正向传播是输入模式从 输入层经隐含层处理传向输出层；反向传播是均方误差信息从输出层向输入层传 播，将误差信号沿原来的连接通路返回，通过修改各层神经元的权值，使得误差信 号最小。 2 2 地理信息系统( g i s ) 地理信息系统( 6 i s ) 是计算机科学、地理学、测量学、地图学等多门学科综合的 技术。目前国际上普遍承认。虽然g i s 是一门多学科综合的边缘学科，但其核心是 计算机科学，基本技术是数据库、地图可视化及空间分析，是处理地理数据的输 入、输出、管理、查询、分析和辅助决策的计算机系统。地质环境评价主要是综合 考虑影响环境地质诸多方面的要素，借助恰当的数学模型和专家经验，对研究区的 环境地质进行分区。g i s 系统由于它能将地理空间数据和各类信息有机集成在一 起，为进行区域环境地质评价提供了一种行之有效的新手段。 2 3 灰色系统理论 灰色系统( g r e ys y s t e m ) 介于白色系统与黑箱之间，在该系统内部分信息已 知，部分信息未知。灰色系统理论则是针对无经验，数据又少的不确定性问题，即 “少数不确定性”问题提出的。目前，各种灰色系统理论的方法已经得到广泛运用。 例如，中国石油天然气总公司遥感所范兆木高级工程师等运用灰色模型g m ( 1 ， 1 ) 预测黄河入海口地形演变，为石油与天然气的勘探提供基础；武汉建材设计研究 院程飚高级工程师运用灰色预测控制器控制硫酸生产过程，得到很好成果，过程非 常平稳；吾斯曼、拜克力运用灰色聚类分析法对水环境质量进行评价，结果表明， 8 2 工程地质环境质量评价方法分析 此种方法物理意义明确，可以直接反映某区的水质的综合水平，可比性强，使评价 和分区研究进入定量化分析，从而提高综合评价的质量和可信度 2 4 模糊数学方法 模糊数学( f r i z z ym a t h e m a t i c s ) 是一个十分年轻的数学分支，它的产生使得数学能 够在一片更广阔的领域里发挥独特作用。自查德提出模糊集合以来，数学对象之间 的各种模糊关系、模糊运算也相继产生，模糊数学迅速发展起来，理论不断完善， 应用日益广泛模糊数学经过近4 0 年的发展，其应用几乎涉及到了自然科学、社会 科学和工程技术的各个领域。尤其是它将二值逻辑( 非0 则1 ) ，从而大大提高了 计算机对模糊问题的处理能力，使机器智能化取得突破性进展。各种模糊技术成果 和产品( 如模糊芯片，模糊开发工具等硬件，模糊软件产品等等) 也逐渐从实验室 走向社会，并取了显著的社会效益。在地质方面，模糊数学的应用深度逐渐加深， 如南沙群岛、佳木斯等运用模糊数学对其地区进行工程地质环境质量评价，使本来 模糊的岩土体质量分类界限得以定量化、清晰化、精确化，评价结果也更符合客观 实际情况。同时，模糊数学在矿山环境综合评价、地表水环境质量评价、工程岩体 质量评价、圈闭地质评价和湖库综合水质评价等方面均有广泛的应用。 工程地质环境质量评价是一项复杂的系统工程，由于影响质量评价的因素众多 且十分复杂，各因素的影响程度也不尽相同，其相互间又存在着一定的关联性而 作为衡量质量好坏的各因素标准及界线很不清晰，即作为外延也是非常模糊的，各 种因素的影响很难用经典数学模型加以统一量度，也很难将复杂的影响因素综合成 一个因素进行评价对于这种复杂的系统问题，b p 神经网络的理论和方法使其得到 了更合理的解决。因此，用b p 神经网络的方法对某一具体区域进行工程地质环境 质量综合评价有其突出的优势。 9 3l i p 神经网络概念及原理 3 1 b e 神经网络 3 b p 神经网络概念及原理 人工神经网络是舳年代之后迅速发展起来的- - 1 1 新兴学科它是模仿生物神经 系统的信息传递和反射功能来获得处理事物的“智能”的一种信息处理系统美国神 经网络学家h e c h tn i e l s e n 曾为人工神经网络给出以下定义：人工神经网络是由多个 非常简单的处理单元彼此按某种方式连接而成的计算机系统，该系统是靠其状态对 外部输入信息的动态响应来处理信息的。可见人工神经网络的信息处理功能是依靠 计算机的强大处理能力来实现的，但它又不同于一般的计算机系统。它没有预先确 定的、串行的运算操作，也没有确定的存储器。它由许多互连的简单处理单元组 成，学习达到平衡后，由各个神经元的权值组成的整个网络的分布状态，就是所求 的结果。网络学习的过程也就是各神经元权值的调整过程。 人工神经网络( a r t i f i c i a ln e u r a ln e t w o r k s ，a n n ) 是对人类大脑系统的一阶特 性的一种描述，是由大量的处理单元通过适当的方式互连构成，是一个大规模的非 线性自适应系统。1 9 8 8 年，h e c h t - n i e l s e n 曾经给人工神经网络下了如下定义：人工 神经网络是一个并行、分布处理结构，它由处理单元及称为连接的无向信号通道互 连而成( p r o c e s s i n ge l e m e n t ，p e ) ，具有局部内存，并可以完成局部操作。每个处 理单元有一个单一的输出连接，这个输出可以根据需要分支成希望个数的许多并行 联接，且这些并行联接都输出相同的信号，即相应处理单元的纤毫，信号的大小不 因分支的多小而变化。处理单元的输出信号可以是任何需要的数学模型，每个处理 单元中进行的操作必须是完全局部的。也就是说，它必须仅仅依赖于经过输入联接 到达处理单元的所有输入信号的当前值和存储在处理单元局部内存中的值。 人工神经网络的发展是曲折的，从萌芽期、两次高潮期到目前，几经兴衰。目 前主要的研究几种主要集中在： 1 开发现有模型的应用，并在应用中根据实际运行情况对模型、算法加以改 进，以提高网络的训练速度和运行的准确度； 2 希望在理论上寻找新的突破，建立新的专用，通用模型和算法； 3 进一步对生物神经系统进行研究，不断地丰富对人脑的认识。 人工神经网络最具有吸引力的特点是它的学习能力。1 9 6 2 年r o s e n b l a t t 给出了 人工神经网络著名的学习定理：人工神经网络可以学会它可以表达的任何东西。人 3b p 神经网络概念及原理 工神经网络的学习过程就是它的训练过程中，按照一定的方式去调整神经元之间的 联接权，使得网络能够样本集的内涵以联接权的方式存储起来，从而使得在网络接 受输入时，可以给出适当的输出。包括无导师学习和有导师学习 无导师训练不需要目标，其训练集中只包括一些输入向量，但训练算法致力于 修改权矩阵，以便网络对一个输入能够给出相容的输出，即相似的输入向量可以得 到相似的输出向量在训练过程中，相应的无导师训练算法用来将训练的样本集合 中蕴含的统计特性抽取出来，并以神经元之间的联接权的形式存在于网络中，以便 网络可以按照向量的相似性进行分类有导师训练中，训练网络实现的是异相联的 映射，输入向量与其对应的输出向量构成一个“训练对”典型的即是b p 算法。 神经网络的发展是理论研究和应用研究交互作用的结果：理论是应用的基础， 应用又为理论的发展提供新的方向 3 2 处理单元的结构和特性 人工神经网络的处理单元( 人工神经元) 是对神经细胞的模拟，他们的功能 是：对每个输入信号进行处理以确定其强度( 加权) ；确定所有输入信号的组合效 果( 求和) ：确定其输出( 转移特性) 输入信号来自外部( 输入端点用黑色圆点 表示) 或别的处理单元的输出，在数学上表示为行向量m 。 抬( 】o ，而，芳) ( 1 1 ) 其中鼍为第i 个输入的激励电平，表示输入数目。连接到节点，的加权表示为 加权向量： “ + = ( w l j , w 2 m k ) 一( 1 2 ) 式中： 一从节点f 或第i 个输入点) 到节点j 的加权或f 与节点，之间的连接强 度 另外，我们考虑到内部门限0 。( 表示输出的神经元内部因素影响) ，可用一额 外固定偏置输冬点粕一1 表示，其连接强度取h - 0 j ，于是，可得输入的加权和 为： 、 s ，2 善工，胡，2 荟x j n 3 如果向量x 和w ；分别包含了x 0 和w o i ，则可重写式( 1 4 ) 和式( 1 5 ) 如下： 3b p 神经网络概念及原理 x = ( 工o ，毛，h ) ( 1 4 ) = ( w o j ，嵋，w 增) ( 1 5 ) 式( 1 5 ) 可表式为盖和鹏的内积： 墨一z ( 1 6 ) 处理单元的激励电平s ，通过激励函数，o 得到处理单元的最后输出： ) ，。f 岱，) - ，( 荟而) - ，俾叨) 1 7 3 3 激励函数 激励函数f 0 也称转移函数，传输函数或限幅函数，其作用就是将可能的 无限域变换到一指定的有限范围内输出。它反映神经元的激励机制。最简单的 激励函数是线性函数，如图1 ( a ) 所示 y - ，o ) - k s ( 1 8 ) 式中： y 一输出； 5 一输入信号的加权和。 当线性函数值被限定在，的范围内时，( 1 8 ) 式就转为分段函数，如图1 ( b ) 所示： r ，o r ) y ：f o ) = j 如l ( ，) ( 1 9 ) i r ( s ( - r ) 另外还有两个较简单的激励函数：阶跃函数和符号函数，如图l ( c ) ( d ) 示。最重要的一类激励函数是s 型函数，它们是s i g m o i d 函数和双曲正切函数，如 图1 ( c ) ( f ) 所示。s i g m o i d 函数： _ ) ，。，o ) 。+ e 2 ) ，( 2 0 ) 双曲正切函数： ) ，一t a n h ( s ) ( 2 1 ) s i g m o i d 函数表示处理单元的一个非线性增益，增益的大小决定于曲线在给定s 点的斜率。由s i g m o i d 函数可知当s 在0 处增益达到最大。双曲正切函数具有双极 输出，对要求输入是士1 范围的信号时，它常被选用。 3b p 神经网络概念及原理 y j l o s ( a ) y j 、 1 0 s 1 y j 1 t1 。 沙 r ( b ) y - 。 、 1 。二：一 ， 0 s y 。 1 o s ( c ) y 1 么。 s 一1 ( d )( e )( f ) 3 4 拓扑结构 图1 激励函数 f i g 1p r o m p t i n gf u n c t i o n 通常神经网络由网络的拓扑结构、神经元特性和学习或训练规则这三个因素所 决定。虽然单个的处理单元可以完成简单的判断功能，但更强的识别处理能力却来 自多个节点连成的网络。神经网络按其拓扑结构可分成简单单层网络，多层网络和 回归型网络。单层网络只有一层处理单元，如图2c a ) 所示，第一层( 输入层) 只 起着分配输入信号的作用，没有计算功能。各处理单元和输入节点采用前馈全连 接。 多层网络是单层网络的简单叠加，即一层的输出作为下一层的输入，如图2 ( b ) 所示。但应注意的是，在构成多层网络时，层间的激励函数应是非线性的，否 则多层网络的计算能力并不比单层网络的强。 3b p 神经网络概念及原理 一般说来，凡包含反馈连接的网络均为回归型网络，或反馈网络。反馈连接是 一层的输出又通过连接权回送到该层或前面层的输入如图2 ( c ) 所示。回归网络 模拟了人类短期记忆的功能，其输出不但取决于当前的输入，而且取决于以前的输 出。 菱孤燕 ( a ) 单层网络( b ) 多层网络 ( c ) 反馈网络 图2 网络拓扑结构 f i g 2p a t u l o u ss 咖c 嘶o f n e t w o r k 多层神经网络和回归网络是广泛应用的两类网络模型，前者以b p 网络为典 型，后者以h o p f i e l d 网络为代表。 3 5 b p 算法 神经网络和人的大脑一样，需要经过大量的学习才能对事物作出正确的判断。 神经网络的学习过程，实质就是神经元中作为记忆实体的权值的调整过程。 神经网络的学习方式可分为两大类：有教师学习和无教师学习。有教师学习是 指其学习样本带有指导信号( 即期望输出) ，网络输出和期望输出进行比较，然后 根据两者之间的差值调整网络权值，最终使两者的差达到规定的要求，即可结束网 络学习。而无教师学习方式中，输入样本进入网络后，网络按照一定预先设定的原 则( 如竞争原则) 自动调整权值，使网络最终具有模式分类的功能。 误差反向传播算法( b a c k p r o p a g a t i o na l g o r i t h m ，简称b p 法) 在神经网络的研 究中有较长的历史，早在1 9 7 4 年就出现了b p 学习理论，现在它己成为非线性多层 神经网络的经典算法，具有数学意义明确，步骤分明等特点。b p 算法是基于梯度下 降法的一种学习算法。在这种网络中，学习过程由正向传播和反向传播组成。在正 向传播中，输入信号从输入层经隐层单元逐层处理，并到达输出层，如果在输出层 1 4 3b p 神经网络概念及原理 达不到期望输出，则转向反向传播，将输出信号的误差按原来的连接通路返回通 过修改各层神经元的权值，使得误差信号最小 b p 算法适用于多层网络的训练，这里只考虑两层网络的情况如图3 所示： 圉3 两层b p 网络模型 融3b p n e t w o r km o d e lw i t ht w ol a y e r s 输出节点的输出用y ：表示，隐层节点的输出用y ：表示，输入信号用工? 表 示。由输入至隐层节点的加权表示为，由隐层节点至输出层节点的加权表示为k 下标i ，j ，h 分别表示某一输入端点、隐层节点和输出节点，上标七表示训练对的 序号七= 1 ，2 ，p 。输入端点数目用表示。 设训练对 x ；，t ： ，当加入第七个输入向量时，隐层节点i l 的输入加权和为： s ：= 艺露“( 2 2 ) 相应点的输出为： y ：= f ( s ：) - f ( ) ( 2 3 ) 同样，输出层节点j 的输入加权和为： s ；= z y ：= 三，( 屹露) ( 2 4 ) 相应的最后输出为； y ：= f o ；，= f ( ；y ：) = f 【；f ( 罩r ) 】c 2