摘要:洪水灾情的评价工作对洪水灾害的分类管理具有重要的指导意义。脉冲耦合神经网络模型应用到洪水灾情评价中是一次新尝试,该方法通过脉冲输出从而调节阈值,并且应用动态阈值来确定洪水灾情的等级,比传统的BP模型简化了权值的训练,模型更加简便、直观。采用脉冲耦合神经网络模型得出的评价结果同灰色关联法、灰色聚类法、灰色模糊综合法的评价结果进行了比较,表明其用于洪水损失评价具有科学性和实用性。
关键词:脉冲耦合神经网络模型;洪水灾情评价;BP模型
1、引言
洪水灾情评价,就是根据洪水灾情评价标准和各评价指标值,对因洪水灾害造成的破坏程度进行综合评估,灾情评价的结果(灾情等级)对洪水灾害的分类管理具有重要的指导意义[1,2]。洪水灾情评价涉及自然环境与社会经济等众多因素,目前国内外尚没有统一的洪水灾情评价指标体系和对各指标的灾情等级评价标准,因此,至今这仍然是洪灾研究的难点和热点之一[1]。在洪水灾害损失评价方面相继提出了灾度判别法、模糊综合评判、物元分析、传统的BP模型等灾情等级模型[2~5]。但是,灾度判别法、模糊综合评判、物元分析法在确定权重时或多或少的存在着主观认为因素的影响和函数模式类评价方法构造评价指标集与评价等级之间函数关系的困难;传统的BP模型虽然克服了权重的主观因素,不过传统的BP模型等灾情等级模型要构建训练网络,经过不断的学习训练权值、阈值,直至网络全局误差函数小于预先设定的一个极小值,但权值、阈值同时训练网络存在着训练次数大,陷入局部最优,网络不宜收敛的缺点[6]。上述方法在解决洪水灾情评价这一类评价指标与洪水灾害等级之间复杂的非线性关系的问题中都不是十分理想。
近年来,被国际上称为第三代人工神经网络的脉冲耦合神经网络(PCNN)以其更接近生物机制的优越性,被广泛地应用在图像处理、决策优化和通信等方面[7],因其该方法通过脉冲输出从而调节阈值,并且应用动态阈值来确定洪水灾情的等级,比传统的BP模型简化了权值的训练,脉冲耦合神经网络模型更加简便、直观的特点将其应用领域推广到洪水灾情评价中是一次新尝试。
2、PCNN模型结构
脉冲耦合神经网络(Pulse Coupled Neural Networks ,PCNN)是近十余年在国内外兴起的新型神经网络,国际上称PCNN为不同于传统神经网络的第三代人工神经网络。2000年Bressloff和Coombes[8]对具有强耦合的PCNN的动态行为进行了研究,指出在弱耦合情况下稳定的相位锁定状态是如何随着耦合强度的增加而进入不稳定的。并由此发展形成 了PCNN模型。该模型是新兴起的其应用领域必将越来越广泛,理论也越来越完善。PCNN模型在洪水灾害评价中的应用还是空白,本文提出了该模型在洪水灾情评价中的应用。
PCNN的单个神经元模型[9]由接收域、调制部分和脉冲产生部分三者组成,大致结构见图1。
接受域:接受域接收来自其它神经元与外部的输入。接受域接收到输入后,将其通过两条通道传输。其中,一条通道称为L通道(式1),另一通道称为F通道(式2)。
(1)
(2)
(1)(2)式中:与表示突触联接权;与为时间常数;与表示输入常量;与为神经元点火与否的信息。
调制部分:调制部分将来自L通道的信号加上一个正的偏移量后与来自F通道的信号进行相乘调制,见式(3),模型中偏移量归整为1。
(3)
(3)式中:相乘调制得到的信号,为联结强度。
脉冲产生部分:由阈值可变的比较器与脉冲产生器组成。当脉冲产生器打开时,其发放脉冲的频率是衡定的。当神经元输出一个脉冲,神经元的阈值就通过反馈迅速得到提高。当神经元的阈值超过时,脉冲产生器就被关掉,停止发放脉冲。接着,阈值就开始指数下降,当阈值低于时,脉冲产生器被打开,神经元就被点火,即处于激活状态,输出一个脉冲或脉冲序列。由此可知,神经元输出脉冲的最大频率不能超过脉冲产生器产生脉冲的频率。
(4)
(5)
(4)式中:与分别表示阈值的幅度系数与时间常数。
(5)式中:表示若神经元每次点火时,只输出一个脉冲,则脉冲产生部分的比较器与脉冲产生器可由一阶跃函数来代替下的输出。
图1 PCNN 单个神经元的模型
Fig. 1 Single nerve model of PCCN
PCNN的结构中可以看出,神经元的输出为脉冲,来自其它神经元的输入亦为脉冲;构成 PCNN 的神经元的阈值是随着时间改变的,同时受到神经元输出的影响; PCNN中的神经元是先分别求输入信号与F通道和L通道的脉冲响应函数的卷积和,然后再进行相乘调制,调制结果与阈值相比,得到输出。PCNN模型连接输入部分等于上一次点火时的脉冲,直接体现了前后神经元之间的联系;并且应用动态阈值来确定洪水灾情的等级,这样调节阈值更容易对样本进行分类;省略了传统BP模型中权值的训练,减少了模型的复杂度。