3.3、评价结果比较
样本值及分类结果见表4。由表4的最后一栏看出PCNN模型对随机产生的25个样本的分类结果理想,故将表1的数据输入给稳定的PCNN模型,得到新疆“96.7”洪水灾害中6个城市的灾情等级,并将此结果与灰色关联法、灰色聚类法、灰色模糊综合3种方法的评价结果进行了比较,见表5。
表5不同评价方法结果比较
Table 5 Comparision of different evaluation methods results results 灰色关联法[11] 灰色聚类法[12] 灰色模糊综合[13] PCNN 乌鲁木齐 2 2 1 2 塔城 2 2 2 2 博州 3 3 3 3 哈密 3 3 3 3 喀什 3 3 3 3 克州 3 3 3 3 注:文献17中,灰色模糊综合评价法评价的结果极重灾级别为5、重灾为4、中灾为3、轻灾为2、微灾为1。为了便于比较将其改为和文中的级别是相同,即极重灾级别为1、重灾为2、中灾为3、轻灾为4、微灾为5。
对比的结果表明了PCNN在洪水灾害灾情评价中的首次尝试是科学的,能够应用到因洪水灾害造成的破坏程度进行综合评价分类的问题中,对洪水灾害的分类管理具有重要的指导意义。
4、结论
(1)PCNN解决了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,评价结果简便、直观。PCNN把洪水灾情等级取值范围内均匀随机产生的样本以脉冲形式输入,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。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。
(2)PCNN使用性强,文章尝试性在洪水灾害灾情评价问题中应用到PCNN模型。实例表明:PCNN的运行机制、模型结构均比传统的BP模型简单明了;PCNN的运行时间比BP模型短,避免了BP模型中权值的反复训练过程,也没有陷入局部最优从而达不到网络收敛。
(3)PCNN推广性强,脉冲耦合神经网络模型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。本文将PCNN应用于洪水灾情评价是一次新尝试,在PCNN的单个神经元模型结构基础上采用不同反馈输入、连接输入公式和阀值的调整公式,取得了满意的评价结果,证明PCNN应用于灾情评价中是可行的,既拓宽了PCNN的应用领域,又为解决灾情评价问题提供了新的思路。
参考文献:
[1] 魏一鸣,金菊良,杨存建,等.洪水灾害风险管理理论[M].北京:科学出版社,2002.
[2] 赵黎明,王 康,邱佩华.灾害综合评估研究[J].系统工程理论与实践,1997,17(3):63~69.
[3] 金菊良,魏一鸣,杨晓华.基于遗传算法的洪水灾情评估神经网络模型探讨[J].灾害学,1998,13(2):6-11.
[4] 于庆东.灾度等级判别方法的局限性及其改进[J].自然灾害学报,1993,2(2):8-10.
[5] 赵黎明,王康,邱佩华.灾害综合评估研究[J].系统工程理论与实践,1997,17(3):63-69.
[6] 李祚泳,邓新民.自然灾害的物元分析灾情评估模型初探[J].自然灾害学报,1994,3(2):28-33.
[7] 黄崇福.自然灾害风险评价理论与实践[M].科学出版社北京,2005,1,111~115.
[8] Gray C M and singer W. Stimulus-specific neuronal oscillations in the orientation columns of cat visual cortex [J]. Proc, Nat. Academy Sci, 1989, 86(5):1699-1702.
[9] Gu Xiaodong , Yu Daoheng . PCNN's Principles and Applications[J].Journal of Circuits and Systems, 2001,6(3) : 45-50.
[10] 付强.数据处理方法及其农业应用[M].北京:科学出版社,2006,8.268-216.
[11] 陈亚宁,杨思全.自然灾害的灰色关联灾情评估模型及应用研究[J].地理科学进展,1999,6,18(2):158-162.
[12] 陈亚宁,杨思全.灰色聚类在洪水灾害等级划分中的应用[J].干旱区地理,1999,9,22(3):37-42.
[13] 吴红华.灾害损失评估的灰色模糊综合方法[J].自然灾害学报,2005,4,14(2):115-118.