rk,200t)一文,利用人工神经网络方法在信息提取和自组织方面的特性,对深海底微型无脊椎群落的Yong值(表征生物群落动态变化状况)进行分类和预测【321。采用Suyong河11个采样点的监测数据,建立并训练Kohonen神经网络,模拟各采样点上Yong值的时间变化状况。在网络输出映射图上反映出不同时段各采样点上Yong值的变化趋势,结合其峰值出现的频率,分析各采样点在不同时段内部群落变量的变化情况和变化原因,以及对区域水质的影响。同时,利用该神经网络输出结果,结合逆传播算法,还可以预测出下一时段的Yong值。因此,在生态数据处理中,Kohonen神经网络可以作为一种有效的模拟和预测工具。(5)Yoon.SeokHong的《用人工神经网络对城市断裂岩蓄水层表面水质的智能分类和诊断》,自组织特征映射人工神经网络被用来分析暴雨渗透对蓄水层地表水质的影响,及它们的内在关系【331。文章以各化合物浓度、pH值、降雨量等21个物理、化学参数为输入变量,建立10X7的网络输出结构,通过构成位面的不同和u型矩阵来分析分类结果和各化学参数的变化状况。结果表明,该文所描述的SOFM方法为描述地表水质的动态变化和选取多维数据中所包含的信息提供了一种有效的分析和诊断工具。1.3.2国内现状(1)刘勇键、沈军等人的《自组织神经网络法综合评价水质》[341,将人工神经网络原理运用于水质评价问题中,根据《地面水环境质量(水质)标准》(GB3838.88)提取11个分类指标做为输入神经元,建立了多指标水质综合评价的SOFM网络模型,并以实测资料为例对所建模型进行了训练和检验,研究结果表明,SOFM网络性能良好、预测精度高、简便易行,是水质综合评价的一种有效方法。(2)蔡煜东、许伟杰等人的《用微生物群落评价水系的自组织人工神经网络方法》【35】,利用原生物群落在PFU上群集过程中的变化,评价水质和监测水
全文预览
