神经网络的应用领域

近些年来神经网络在众多领域得到了广泛的运用。在民用应用领域的应用，如语言识别、图像识别与理解、计算机视觉、智能机器人故障检测、实时语言翻译、企业管理、市场分析、决策优化、物资调运、自适应控制、专家系统、智能接口、神经生理学、心理学和认知科学研究等等;在军用应用领域的应用，如雷达、声纳的多目标识别与跟踪，战场管理和决策支持系统，军用机器人控制各种情况、信息的快速录取、分类与查询，导弹的智能引导，保密通信，航天器的姿态控制等。

人工神经网络模型具有并连结构、容错性、非线性映射等特征，近年来已在河道水流模拟及平面二维流场计算中得到一定的应用和发展。Y.B.Dibike，D.Olomatne &M.B.Abbott[1]将神经网络理论与水动力学模型结合，利用水动力学模型为神经网络提供网络学习样本，再用训练好的神经网络对重要河段航深、二维流场中重要位置的水流运动(包括水位、流速、流向以及流量等要素)进行预测，取得了令人鼓舞的结果。神经网络模型和水动力模型的有机结合避免了水动力学模型计算量大、计算速度慢难以满足实时预报的要求等问题，同时利用水动力学模型给神经网络提供训练样本，弥补了神经网络在重要河段和区域缺乏资料而应用受到局限的困难。杨荣富、丁晶和刘国东[2]将流域概化为若干个水库，利用水量平衡和非线性水库原理与神经网络结合，对英国Irwell流域的Salford大学控制站的径流及以上6个降雨站的观测资料进行了模拟，模型对流域的日和月径流时序变化模拟效果较好，对洪水过程模拟尚需进一步的研究。尽管如此，神经网络理论在河网水沙运动模拟方面还几乎是空白。目前用于各类模拟及预报的神经网络模型普遍存在网络内部参数物理概念不明确，隐层结构难以确定等问题。

人工神经网络与河网在结构上具有许多相似之处，两者都是由各个内部结构通过并联或串联形成一个相互制约的整体网络结构。通过调整系统内部各个“神经元”之间的相互作用达到系统输入、输出之间的最优或平衡，即可达到运用神经网络模拟复杂河网水沙运动的目的。