人工神经网络评价法

利用人工神经网络模型对生态环境质量进行评价的方法。人工神经网络的实质是依据所提供的样本数据，通过学习和训练，抽取样本所隐含的特征关系，以神经元之间连接权值的形式存储专家的知识。神经网络具有自适应能力，能对多指标综合评价问题给出一个客观评价，对于弱化权重确定中的人为因素是十分有益的。通过引入附加动量法和变步长算法，提高了标准人工神经网络收敛速度及学习训练效率，为解决这种自身相当复杂及各因素问呈现非线性关系的多指标综合评价问题提供了一种有效途径。人工模型可选取任意的样本参数进行学习，建立不同的评价模型，学习成功后对任意的实测样本均可得到可靠的评价结果，随着工程实例统计资料，即训练样本数量的逐步增多，分析结果将会更为精确并切合工程实际，具有广泛的适用性。人工神经网络能够学习，能够总结归纳的系统，能够通过已知数据的实验运用来学习和归纳总结。人工神经网络通过对局部情况的对照比较 （这些比较是基于不同情况下的自动学习和要实际解决问题的复杂性所决定的），能够推理产生一个可以自动识别的系统。与之不同的基于符号系统下的学习方法，也具有推理功能，只是建立在逻辑演算算法的基础上，需要有一个推理算法则的集合。
常见的人工神经网络多层结构的前馈网络由三部分组成：
❶输入层，众多神经元接受大量非线形输入信息。输入的信息称为输入向量。
❷输出层，信息在神经元链接中传输、分析、权衡，形成输出结果。输出的信息称为输出向量。
❸隐藏层，简称“隐层”，是输入层和输出层之间众多神经元和链接组成的各个层面。隐层可以有多层，习惯上会用一层。隐层的节点 （神经元） 数目不定，数目越多神经网络的非线性越显著，神经网络的强健性 (控制系统在一定结构、大小等的参数摄动下，维持某些性能的特性) 更显著。习惯上会选输入节点1.2-1.5倍的节点。
神经网络的类型已经演变出很多种，这种分层的结构也并不是对所有的神经网络都适用。神经网络的卓越能力来自于神经网络中各神经元之间的连接权。连接权一般地不能预先准确地确定，故神经网络应具有学习功能，即能根据样本模式逐渐调整权值，使神经网络具有卓越的处理信息的功能。人工神经网络评价法已经大量用于水体、土壤、大气等领域的质量评价过程。在评价过程中，首先要将描述环境的基础指标的属性值作为人工神经网络的输入向量，然后用足够多的样本向量训练这个网络，使不同的输入向量得到不同的输出值，经过学习后确定相应的内部组权系数，最后根据输入的环境质量指标向量，可以得出该环境的质量的综合评价结果。