神经网络国内外发展概况,人工神经网络发展趋势

国内外人工神经网络的研究现状

基于人工神经网络的土坝病害诊断知识获取方法摘要：以土坝测压管水位异常诊断为实例，对反向传播(BP)神经网络进行训练，然后通过典型示例经网络计算生成显式的诊断规则，为专家系统诊断推理时直接调用。

该方法是土坝病害诊断知识获取的一种新方法，是对传统知识获取方式的拓展和补充。

关键词：土坝；病害诊断；测压管异常；神经网络；知识获取我国目前已修建各种类型水库8.6万余座（是世界水库最多的国家之一），大中型水闸7.6万座，河道堤防20多万公里。

这些水利工程和设施所发挥的巨大作用和效益大大促进了社会和经济的发展。

然而从另一方面还应看到，在已建的水利工程中尚存许多不安全因素，由于修建当时的经济、技术条件限制以及其它一些因素的影响，使很多工程存在病害或隐患，另外，由于长期受各种自然或人为因素影响，加之年久失修，管理跟不上，老化现象也很严重，很大程度上影响了工程正常运行和效益的发挥，有些工程因此而失事。

仅就土石坝而，历年累积溃坝率就高达3.4%。因此如何准确、及时地诊断出建筑物的隐患和病害，并对建筑物的安全性做出合理科学的评价意义十分重大。是当前水利工程管理中亟待解决的一项重要课题。

水工建筑物的病害诊断是一项非常复杂的工作，需要有丰富经验的专家才能胜任。

解决上述问题的一个好的办法是在做好监测的基础上，把专家经验、人工智能（AI）技术、计算机应用技术以及数值分析计算等有机结合起来，建造专家系统（Expert System简称：ES）。

而专家系统开发中最关键的“瓶颈”问题就是知识获取，它既包括知识的体系结构、内容等难于获取，也包括推理规则中的推理参数（如可信度）难以确定等。

笔者以土坝为研究对象开发了具有学习功能的土坝病害诊断专家系统ESLEDFDS[1,2]，在系统开发中为解决知识获取问题，采取了传统的访谈（Interview）式的知识获取与从病害工程实例中抽取知识（事例学习）相结合的形式。

实践证明该形式效果良好。论文将以土坝测压管水位异常诊断知识的获取为例，介绍一种基于人工神经网络事例学习的土坝病害诊断知识的获取方法。

1 知识源分析及知识获取方法的选择土坝病害诊断的知识源主要有3个：（1）坝工诊断专家。大量的经验性知识存在于专家的大脑中，具有专有性和潜在性等特点。

有时连专家本人也不容易系统地总结、归纳自己的知识，而且不易做出解释。这也就决定了它的难于获取，但它是ES知识的主要来源。（2）相关文献资料。文献资料作为一种信息载体，包含了大量理论和经验知识。

其特点是量大、分散。而且，由于不同的文献来源于不同的著者，对同一问题的看法和分析结果可能有所差异，甚至相悖，所以有助于消除单个专家知识的片面性。

但从大量分散的文献中抽取ES知识库所需的知识和方法，需经反复分析比较。（3）实例。

一般情况下，专家头脑中知识的存储往往是片断的、非系统的，以访谈的形式，让专家叙述自己的知识时，一个个片断很难一下子系统地组织起来。

而一旦真正面对实际问题（实例）坝工诊断专家却能够作很好的分析，说明这种刺激能使专家自觉或不自觉地去组织自己的知识。

所以，同专家一同分析实例，可以了解专家的推理过程及所用知识，同时，经过专家分析的工程实例中蕴涵了专家的经验知识和推理判断，并且大多实例分析结果的正确与否已经得到实际验证。

因此，实例是一种非常重要的知识源，可以通过一些模型、方法对实例进行学习，提炼出蕴涵在实例中的诊断知识。笔者在ESLEDFDS的知识获取中综合利用了以上3种知识源。

通过走访专家、同专家一起分析文献资料，把诊断知识整理成一条条规则，存储于外部知识库中。此外，为补充专家经验知识的不足，还对收集的80余例土坝病害实例，应用人工神经元网络进行了事例学习和新规则生成。

......

谷歌人工智能写作项目：神经网络伪原创

神经网络研究现状

光谱分析因其能够灵敏、高精度、无破坏、快速地检测物质的化学成分和相对含量而广泛应用于分析化学、生物化学与分子生物学、农业、医学等领域写作猫。

目前，光谱分析技术日趋成熟，引入光谱分析理论的高光谱遥感技术应用日益广泛，尤其是在农业领域，可以有效地获取农田信息、判断作物长势、估测作物产量、提取病害信息。

光谱分析技术虽然具有很强的物质波谱“透视力”，但在分析 “同谱异物” 和 “异物同谱”等方面需要与现代分析手段相结合，如小波变换、卡尔曼滤波、人工神经网络（Artificial Neural Net－work，ANN）、遗传算法（Genetic Algorithm，GA）等。

在光谱分析领域，ANN多用于物质生化组分的定量分析（陈振宁等，2001；印春生等，2000），在光度分析中也有较多应用，如，于洪梅等（2002）利用ANN分析铬和锆的混合吸收光谱，并结合分光度法对二者进行测定。

ANN在非线性校准与光谱数据处理等方面也有应用（Blank，1993；方利民等；2008）。

而在模式识别中ANN应用最为广泛，如，Eiceman et al.（2006）利用遗传算法（是ANN的一种）对混合小波系数进行分类识别。

目前，自组织特征映射（Self－organizing Feature Maps，SOFM）神经网络在高光谱影像的模式识别方面，国内外还较少有研究与应用，而结合遥感波谱维光谱分析技术的应用研究就更少。

SOFM常用于遥感图像处理方面，如，Moshou et al.（2005）利用SOFM神经网络进行数据融合，使分类误差减小到1％；Doucette et al.（2001）根据SOFM设计的SORM算法，从分类后的高分辨率影像中提取道路；Toivanen et al.（2003）利用SOFM神经网络从多光谱影像中提取边缘，并指出该方法可应用于大数据量影像边缘的提取；Moshou et al.（2006）根据5137个叶片的光谱数据，利用SOFM神经网络识别小麦早期黄锈病，准确率高达99％。

然而，SOFM不需要输入模式期望值（在某些分类问题中，样本的先验类别是很难获取的），其区别于BP（Back Propagation）等其他神经网络模型最重要的特点是能够自动寻找样本的内在规律和本质属性，这大大地拓宽了SOFM在模式识别和分类方面的应用。

基于以上几点，本章从光谱分析的角度对高光谱遥感影像进行分析识别和信息提取，给出了在不同光谱模型下，高光谱数据的不同分解，之后利用SOFM对具有较高光谱重叠度的这些分解进行分类识别，结合光谱分析对采样点进行类别辨识，并通过对小麦条锈病的病情严重度信息提取，提出了高光谱影像波谱维光谱分析的新途径。

人工神经网络的发展趋势

人工神经网络特有的非线性适应性信息处理能力，克服了传统人工智能方法对于直觉，如模式、语音识别、非结构化信息处理方面的缺陷，使之在神经专家系统、模式识别、智能控制、组合优化、预测等领域得到成功应用。

人工神经网络与其它传统方法相结合，将推动人工智能和信息处理技术不断发展。

近年来，人工神经网络正向模拟人类认知的道路上更加深入发展，与模糊系统、遗传算法、进化机制等结合，形成计算智能，成为人工智能的一个重要方向，将在实际应用中得到发展。

将信息几何应用于人工神经网络的研究，为人工神经网络的理论研究开辟了新的途径。神经计算机的研究发展很快，已有产品进入市场。光电结合的神经计算机为人工神经网络的发展提供了良好条件。

神经网络在很多领域已得到了很好的应用，但其需要研究的方面还很多。

其中，具有分布存储、并行处理、自学习、自组织以及非线性映射等优点的神经网络与其他技术的结合以及由此而来的混合方法和混合系统，已经成为一大研究热点。

由于其他方法也有它们各自的优点，所以将神经网络与其他方法相结合，取长补短，继而可以获得更好的应用效果。

目前这方面工作有神经网络与模糊逻辑、专家系统、遗传算法、小波分析、混沌、粗集理论、分形理论、证据理论和灰色系统等的融合。下面主要就神经网络与小波分析、混沌、粗集理论、分形理论的融合进行分析。

与小波分析的结合1981年，法国地质学家Morlet在寻求地质数据时，通过对Fourier变换与加窗Fourier变换的异同、特点及函数构造进行创造性的研究，首次提出了小波分析的概念，建立了以他的名字命名的Morlet小波。

1986年以来由于YMeyer、S.Mallat及IDaubechies等的奠基工作，小波分析迅速发展成为一门新兴学科。

Meyer所著的小波与算子，Daubechies所著的小波十讲是小波研究领域最权威的著作。小波变换是对Fourier分析方法的突破。

它不但在时域和频域同时具有良好的局部化性质，而且对低频信号在频域和对高频信号在时域里都有很好的分辨率，从而可以聚集到对象的任意细节。

小波分析相当于一个数学显微镜，具有放大、缩小和平移功能，通过检查不同放大倍数下的变化来研究信号的动态特性。因此，小波分析已成为地球物理、信号处理、图像处理、理论物理等诸多领域的强有力工具。

小波神经网络将小波变换良好的时频局域化特性和神经网络的自学习功能相结合，因而具有较强的逼近能力和容错能力。

在结合方法上，可以将小波函数作为基函数构造神经网络形成小波网络，或者小波变换作为前馈神经网络的输入前置处理工具，即以小波变换的多分辨率特性对过程状态信号进行处理，实现信噪分离，并提取出对加工误差影响最大的状态特性，作为神经网络的输入。

小波神经网络在电机故障诊断、高压电网故障信号处理与保护研究、轴承等机械故障诊断以及许多方面都有应用，将小波神经网络用于感应伺服电机的智能控制，使该系统具有良好的跟踪控制性能，以及好的鲁棒性，利用小波包神经网络进行心血管疾病的智能诊断，小波层进行时频域的自适应特征提取，前向神经网络用来进行分类，正确分类率达到94%。

小波神经网络虽然应用于很多方面，但仍存在一些不足。从提取精度和小波变换实时性的要求出发，有必要根据实际情况构造一些适应应用需求的特殊小波基，以便在应用中取得更好的效果。

另外，在应用中的实时性要求，也需要结合DSP的发展，开发专门的处理芯片，从而满足这方面的要求。混沌神经网络混沌第一个定义是上世纪70年代才被Li-Yorke第一次提出的。

由于它具有广泛的应用价值，自它出现以来就受到各方面的普遍关注。

混沌是一种确定的系统中出现的无规则的运动，混沌是存在于非线性系统中的一种较为普遍的现象，混沌运动具有遍历性、随机性等特点，能在一定的范围内按其自身规律不重复地遍历所有状态。

混沌理论所决定的是非线性动力学混沌，目的是揭示貌似随机的现象背后可能隐藏的简单规律，以求发现一大类复杂问题普遍遵循的共同规律。

1990年Kaihara、T.Takabe和M.Toyoda等人根据生物神经元的混沌特性首次提出混沌神经网络模型，将混沌学引入神经网络中，使得人工神经网络具有混沌行为，更加接近实际的人脑神经网络，因而混沌神经网络被认为是可实现其真实世界计算的智能信息处理系统之一，成为神经网络的主要研究方向之一。

与常规的离散型Hopfield神经网络相比较，混沌神经网络具有更丰富的非线性动力学特性，主要表现如下：在神经网络中引入混沌动力学行为；混沌神经网络的同步特性；混沌神经网络的吸引子。

当神经网络实际应用中，网络输入发生较大变异时，应用网络的固有容错能力往往感到不足，经常会发生失忆现象。

混沌神经网络动态记忆属于确定性动力学运动，记忆发生在混沌吸引子的轨迹上，通过不断地运动(回忆过程)一一联想到记忆模式，特别对于那些状态空间分布的较接近或者发生部分重叠的记忆模式，混沌神经网络总能通过动态联想记忆加以重现和辨识，而不发生混淆，这是混沌神经网络所特有的性能，它将大大改善Hopfield神经网络的记忆能力。

混沌吸引子的吸引域存在，形成了混沌神经网络固有容错功能。这将对复杂的模式识别、图像处理等工程应用发挥重要作用。

混沌神经网络受到关注的另一个原因是混沌存在于生物体真实神经元及神经网络中，并且起到一定的作用，动物学的电生理实验已证实了这一点。

混沌神经网络由于其复杂的动力学特性，在动态联想记忆、系统优化、信息处理、人工智能等领域受到人们极大的关注。

针对混沌神经网络具有联想记忆功能，但其搜索过程不稳定，提出了一种控制方法可以对混沌神经网络中的混沌现象进行控制。研究了混沌神经网络在组合优化问题中的应用。

为了更好的应用混沌神经网络的动力学特性，并对其存在的混沌现象进行有效的控制，仍需要对混沌神经网络的结构进行进一步的改进和调整，以及混沌神经网络算法的进一步研究。

基于粗集理论粗糙集(Rough Sets)理论是1982年由波兰华沙理工大学教授Z.Pawlak首先提出，它是一个分析数据的数学理论，研究不完整数据、不精确知识的表达、学习、归纳等方法。

粗糙集理论是一种新的处理模糊和不确定性知识的数学工具，其主要思想就是在保持分类能力不变的前提下，通过知识约简，导出问题的决策或分类规则。

目前，粗糙集理论已被成功应用于机器学习、决策分析、过程控制、模式识别与数据挖掘等领域。

粗集和神经网络的共同点是都能在自然环境下很好的工作，但是，粗集理论方法模拟人类的抽象逻辑思维，而神经网络方法模拟形象直觉思维，因而二者又具有不同特点。

粗集理论方法以各种更接近人们对事物的描述方式的定性、定量或者混合性信息为输入，输入空间与输出空间的映射关系是通过简单的决策表简化得到的，它考虑知识表达中不同属性的重要性确定哪些知识是冗余的，哪些知识是有用的，神经网络则是利用非线性映射的思想和并行处理的方法，用神经网络本身结构表达输入与输出关联知识的隐函数编码。

在粗集理论方法和神经网络方法处理信息中，两者存在很大的两个区别：其一是神经网络处理信息一般不能将输入信息空间维数简化，当输入信息空间维数较大时，网络不仅结构复杂，而且训练时间也很长；而粗集方法却能通过发现数据间的关系，不仅可以去掉冗余输入信息，而且可以简化输入信息的表达空间维数。

其二是粗集方法在实际问题的处理中对噪声较敏感，因而用无噪声的训练样本学习推理的结果在有噪声的环境中应用效果不佳。而神经网络方法有较好的抑制噪声干扰的能力。

因此将两者结合起来，用粗集方法先对信息进行预处理，即把粗集网络作为前置系统，再根据粗集方法预处理后的信息结构，构成神经网络信息处理系统。

通过二者的结合，不但可减少信息表达的属性数量，减小神经网络构成系统的复杂性，而且具有较强的容错及抗干扰能力，为处理不确定、不完整信息提供了一条强有力的途径。

目前粗集与神经网络的结合已应用于语音识别、专家系统、数据挖掘、故障诊断等领域，将神经网络和粗集用于声源位置的自动识别，将神经网络和粗集用于专家系统的知识获取中，取得比传统专家系统更好的效果，其中粗集进行不确定和不精确数据的处理，神经网络进行分类工作。

虽然粗集与神经网络的结合已应用于许多领域的研究，为使这一方法发挥更大的作用还需考虑如下问题：模拟人类抽象逻辑思维的粗集理论方法和模拟形象直觉思维的神经网络方法更加有效的结合；二者集成的软件和硬件平台的开发，提高其实用性。

与分形理论的结合自从美国哈佛大学数学系教授Benoit B. Mandelbrot于20世纪70年代中期引入分形这一概念，分形几何学(Fractal geometry)已经发展成为科学的方法论--分形理论，且被誉为开创了20世纪数学重要阶段。

现已被广泛应用于自然科学和社会科学的几乎所有领域，成为现今国际上许多学科的前沿研究课题之一。由于在许多学科中的迅速发展，分形已成为一门描述自然界中许多不规则事物的规律性的学科。

它已被广泛应用在生物学、地球地理学、天文学、计算机图形学等各个领域。

用分形理论来解释自然界中那些不规则、不稳定和具有高度复杂结构的现象，可以收到显著的效果，而将神经网络与分形理论相结合，充分利用神经网络非线性映射、计算能力、自适应等优点，可以取得更好的效果。

分形神经网络的应用领域有图像识别、图像编码、图像压缩，以及机械设备系统的故障诊断等。

分形图像压缩/解压缩方法有着高压缩率和低遗失率的优点，但运算能力不强，由于神经网络具有并行运算的特点，将神经网络用于分形图像压缩/解压缩中，提高了原有方法的运算能力。

将神经网络与分形相结合用于果实形状的识别，首先利用分形得到几种水果轮廓数据的不规则性，然后利用3层神经网络对这些数据进行辨识，继而对其不规则性进行评价。

分形神经网络已取得了许多应用，但仍有些问题值得进一步研究：分形维数的物理意义；分形的计算机仿真和实际应用研究。随着研究的不断深入，分形神经网络必将得到不断的完善，并取得更好的应用效果。?。

人工神经网络的预测发展现状？

这个问题问得好,人工神经网络是将来的一个趋势,但是,这也不是一个近期能够做得完善的一件事情.虹膜显示器，也就是人工神经网络的一个结晶，所谓虹膜就是在人的眼晴的视网膜上显示计算机的数据，从而取代显示器．这是美国现在已经正在开发过程中的一项基于人工神经网络的技术．。

神经网络的发展趋势如何？

神经网络的云集成模式还不是很成熟，应该有发展潜力，但神经网络有自己的硬伤，不知道能够达到怎样的效果，所以决策支持系统中并不是很热门，但是神经网络无视过程的优点也是无可替代的，云网络如果能够对神经网络提供一个互补的辅助决策以控制误差的话，也许就能使神经网络成熟起来 1 人工神经网络产生的背景自古以来，关于人类智能本源的奥秘，一直吸引着无数哲学家和自然科学家的研究热情。

生物学家、神经学家经过长期不懈的努力，通过对人脑的观察和认识，认为人脑的智能活动离不开脑的物质基础，包括它的实体结构和其中所发生的各种生物、化学、电学作用，并因此建立了神经元网络理论和神经系统结构理论，而神经元理论又是此后神经传导理论和大脑功能学说的基础。

在这些理论基础之上，科学家们认为，可以从仿制人脑神经系统的结构和功能出发，研究人类智能活动和认识现象。

另一方面，19世纪之前，无论是以欧氏几何和微积分为代表的经典数学，还是以牛顿力学为代表的经典物理学，从总体上说，这些经典科学都是线性科学。

然而，客观世界是如此的纷繁复杂，非线性情况随处可见，人脑神经系统更是如此。复杂性和非线性是连接在一起的，因此，对非线性科学的研究也是我们认识复杂系统的关键。

为了更好地认识客观世界，我们必须对非线性科学进行研究。人工神经网络作为一种非线性的、与大脑智能相似的网络模型，就这样应运而生了。

所以，人工神经网络的创立不是偶然的，而是20世纪初科学技术充分发展的产物。2 人工神经网络的发展人工神经网络的研究始于40年代初。半个世纪以来，经历了兴起、高潮与萧条、高潮及稳步发展的远为曲折的道路。

1943年，心理学家W.S.Mcculloch和数理逻辑学家W.Pitts 提出了M—P模型，这是第一个用数理语言描述脑的信息处理过程的模型， 虽然神经元的功能比较弱，但它为以后的研究工作提供了依据。

1949年，心理学家提出突触联系可变的假设，根据这一假设提出的学习规律为神经网络的学习算法奠定了基础。

1957 年， 计算机科学家Rosenblatt提出了著名的感知机模型，它的模型包含了现代计算机的一些原理，是第一个完整的人工神经网络，第一次把神经网络研究付诸工程实现。

由于可应用于模式识别，联想记忆等方面，当时有上百家实验室投入此项研究，美国军方甚至认为神经网络工程应当比“原子弹工程”更重要而给予巨额资助，并在声纳信号识别等领域取得一定成绩。

1960年，B.Windrow和E.Hoff提出了自适应线性单元， 它可用于自适应滤波、预测和模式识别。至此，人工神经网络的研究工作进入了第一个高潮。

1969年，美国著名人工智能学者M.Minsky和S.Papert编写了影响很大的Perceptron一书，从理论上证明单层感知机的能力有限，诸如不能解决异或问题，而且他们推测多层网络的感知机能力也不过如此，他们的分析恰似一瓢冷水，很多学者感到前途渺茫而纷纷改行，原先参与研究的实验室纷纷退出，在这之后近10年，神经网络研究进入了一个缓慢发展的萧条期。

这期间，芬兰学者T.Kohonen 提出了自组织映射理论，反映了大脑神经细胞的自组织特性、记忆方式以及神经细胞兴奋刺激的规律；美国学者S.A.Grossberg的自适应共振理论（ART ）；日本学者K.Fukushima提出了认知机模型；ShunIchimari则致力于神经网络有关数学理论的研究等，这些研究成果对以后的神经网络的发展产生了重要影响。

美国生物物理学家J.J.Hopfield于1982年、1984年在美国科学院院刊发表的两篇文章，有力地推动了神经网络的研究，引起了研究神经网络的又一次热潮。

1982 年， 他提出了一个新的神经网络模型——hopfield网络模型。他在这种网络模型的研究中，首次引入了网络能量函数的概念，并给出了网络稳定性的判定依据。

1984年，他又提出了网络模型实现的电子电路，为神经网络的工程实现指明了方向，他的研究成果开拓了神经网络用于联想记忆的优化计算的新途径，并为神经计算机研究奠定了基础。

1984年Hinton等人将模拟退火算法引入到神经网络中，提出了Boltzmann机网络模型，BM 网络算法为神经网络优化计算提供了一个有效的方法。

1986年，D.E.Rumelhart和J.LMcclelland提出了误差反向传播算法，成为至今为止影响很大的一种网络学习方法。

1987年美国神经计算机专家R.Hecht—Nielsen提出了对向传播神经网络，该网络具有分类灵活，算法简练的优点，可用于模式分类、函数逼近、统计分析和数据压缩等领域。

1988年L.Ochua 等人提出了细胞神经网络模型，它在视觉初级加工上得到了广泛应用。为适应人工神经网络的发展，1987年成立了国际神经网络学会，并决定定期召开国际神经网络学术会议。

1988年1月Neural Network 创刊。1990年3月IEEE Transaction on Neural Network问世。

我国于1990年12月在北京召开了首届神经网络学术大会，并决定以后每年召开一次。1991 年在南京成立了中国神经网络学会。 IEEE 与INNS 联合召开的IJCNN92已在北京召开。

这些为神经网络的研究和发展起了推波助澜的作用，人工神经网络步入了稳步发展的时期。90年代初，诺贝尔奖获得者Edelman提出了Darwinism模型，建立了神经网络系统理论。

同年，Aihara等在前人推导和实验的基础上，给出了一个混沌神经元模型，该模型已成为一种经典的混沌神经网络模型，该模型可用于联想记忆。

Wunsch 在90OSA 年会上提出了一种AnnualMeeting，用光电执行ART，学习过程有自适应滤波和推理功能，具有快速和稳定的学习特点。

1991年，Hertz探讨了神经计算理论， 对神经网络的计算复杂性分析具有重要意义；Inoue 等提出用耦合的混沌振荡子作为某个神经元，构造混沌神经网络模型，为它的广泛应用前景指明了道路。

1992年，Holland用模拟生物进化的方式提出了遗传算法， 用来求解复杂优化问题。1993年方建安等采用遗传算法学习，研究神经网络控制器获得了一些结果。

1994年Angeline等在前人进化策略理论的基础上，提出一种进化算法来建立反馈神经网络，成功地应用到模式识别，自动控制等方面；廖晓昕对细胞神经网络建立了新的数学理论和方法，得到了一系列结果。

HayashlY根据动物大脑中出现的振荡现象，提出了振荡神经网络。

1995年Mitra把人工神经网络与模糊逻辑理论、 生物细胞学说以及概率论相结合提出了模糊神经网络，使得神经网络的研究取得了突破性进展。

Jenkins等人研究光学神经网络， 建立了光学二维并行互连与电子学混合的光学神经网络，它能避免网络陷入局部最小值，并最后可达到或接近最理想的解；SoleRV等提出流体神经网络，用来研究昆虫社会，机器人集体免疫系统，启发人们用混沌理论分析社会大系统。

1996年，ShuaiJW’等模拟人脑的自发展行为， 在讨论混沌神经网络的基础上提出了自发展神经网络。

1997、1998年董聪等创立和完善了广义遗传算法，解决了多层前向网络的最简拓朴构造问题和全局最优逼近问题。

随着理论工作的发展，神经网络的应用研究也取得了突破性进展，涉及面非常广泛，就应用的技术领域而言有计算机视觉，语言的识别、理解与合成，优化计算，智能控制及复杂系统分析，模式识别，神经计算机研制，知识推理专家系统与人工智能。

涉及的学科有神经生理学、认识科学、数理科学、心理学、信息科学、计算机科学、微电子学、光学、动力学、生物电子学等。美国、日本等国在神经网络计算机软硬件实现的开发方面也取得了显著的成绩，并逐步形成产品。

在美国，神经计算机产业已获得军方的强有力支持，国防部高级研究计划局认为“神经网络是解决机器智能的唯一希望”，仅一项8 年神经计算机计划就投资4亿美元。

在欧洲共同体的ESPRIT计划中， 就有一项特别项目：“神经网络在欧洲工业中的应用”，单是生产神经网络专用芯片这一项就投资2200万美元。据美国资料声称，日本在神经网络研究上的投资大约是美国的4倍。

我国也不甘落后，自从1990 年批准了南开大学的光学神经计算机等3项课题以来， 国家自然科学基金与国防预研基金也都为神经网络的研究提供资助。

另外，许多国际著名公司也纷纷卷入对神经网络的研究，如Intel、IBM、Siemens、HNC。神经计算机产品开始走向商用阶段，被国防、企业和科研部门选用。

在举世瞩目的海湾战争中，美国空军采用了神经网络来进行决策与控制。在这种刺激和需求下，人工神经网络定会取得新的突破，迎来又一个高潮。自1958年第一个神经网络诞生以来，其理论与应用成果不胜枚举。

人工神经网络是一个快速发展着的一门新兴学科，新的模型、新的理论、新的应用成果正在层出不穷地涌现出来。

3 人工神经网络的发展前景针对神经网络存在的问题和社会需求，今后发展的主要方向可分为理论研究和应用研究两个方面。（1）利用神经生理与认识科学研究大脑思维及智能的机理、 计算理论，带着问题研究理论。

人工神经网络提供了一种揭示智能和了解人脑工作方式的合理途径，但是由于人类起初对神经系统了解非常有限，对于自身脑结构及其活动机理的认识还十分肤浅，并且带有某种“先验”。

例如， Boltzmann机引入随机扰动来避免局部极小，有其卓越之处，然而缺乏必要的脑生理学基础，毫无疑问，人工神经网络的完善与发展要结合神经科学的研究。

而且，神经科学，心理学和认识科学等方面提出的一些重大问题，是向神经网络理论研究提出的新挑战，这些问题的解决有助于完善和发展神经网络理论。

因此利用神经生理和认识科学研究大脑思维及智能的机理，如有新的突破，将会改变智能和机器关系的认识。

利用神经科学基础理论的研究成果，用数理方法探索智能水平更高的人工神经网络模型，深入研究网络的算法和性能，如神经计算、进化计算、稳定性、收敛性、计算复杂性、容错性、鲁棒性等，开发新的网络数理理论。

由于神经网络的非线性，因此非线性问题的研究是神经网络理论发展的一个最大动力。

特别是人们发现，脑中存在着混沌现象以来，用混沌动力学启发神经网络的研究或用神经网络产生混沌成为摆在人们面前的一个新课题，因为从生理本质角度出发是研究神经网络的根本手段。

（2）神经网络软件模拟， 硬件实现的研究以及神经网络在各个科学技术领域应用的研究。

由于人工神经网络可以用传统计算机模拟，也可以用集成电路芯片组成神经计算机，甚至还可以用光学的、生物芯片的方式实现，因此研制纯软件模拟，虚拟模拟和全硬件实现的电子神经网络计算机潜力巨大。

如何使神经网络计算机与传统的计算机和人工智能技术相结合也是前沿课题；如何使神经网络计算机的功能向智能化发展，研制与人脑功能相似的智能计算机，如光学神经计算机，分子神经计算机，将具有十分诱人的前景。

4 哲理（1）人工神经网络打开了认识论的新领域认识与脑的问题，长期以来一直受到人们的关注，因为它不仅是有关人的心理、意识的心理学问题，也是有关人的思维活动机制的脑科学与思维科学问题，而且直接关系到对物质与意识的哲学基本问题的回答。

人工神经网络的发展使我们能够更进一步地既唯物又辩证地理解认识与脑的关系，打开认识论的新领域。

人脑是一个复杂的并行系统，它具有“认知、意识、情感”等高级脑功能，用人工进行模拟，有利于加深对思维及智能的认识，已对认知和智力的本质的研究产生了极大的推动作用。

在研究大脑的整体功能和复杂性方面，人工神经网络给人们带来了新的启迪。

由于人脑中存在混沌现象，混沌可用来理解脑中某些不规则的活动，从而混沌动力学模型能用作人对外部世界建模的工具，可用来描述人脑的信息处理过程。

混沌和智能是有关的，神经网络中引入混沌学思想有助于提示人类形象思维等方面的奥秘。

人工神经网络之所以再度兴起，关键在于它反映了事物的非线性，抓住了客观世界的本质，而且它在一定程度上正面回答了智能系统如何从环境中自主学习这一最关键的问题，从认知的角度讲，所谓学习，就是对未知现象或规律的发现和归纳。

由于神经网络具有高度的并行性，高度的非线性全局作用，良好的容错性与联想记忆功能以及十分强的自适应、自学习功能，而使得它成为揭示智能和了解人脑工作方式的合理途径。

但是，由于认知问题的复杂性，目前，我们对于脑神经网的运行和神经细胞的内部处理机制，如信息在人脑是如何传输、存贮、加工的？记忆、联想、判断是如何形成的？大脑是否存在一个操作系统？

还没有太多的认识，因此要制造人工神经网络来模仿人脑各方面的功能，还有待于人们对大脑信息处理机理认识的深化。

（2）人工神经网络发展的推动力来源于实践、 理论和问题的相互作用随着人们社会实践范围的不断扩大，社会实践层次的不断深入，人们所接触到的自然现象也越来越丰富多彩、纷繁复杂，这就促使人们用不同的原因加以解释不同种类的自然现象，当不同种类的自然现象可以用同样的原因加以解释，这样就出现了不同学科的相互交叉、综合，人工神经网络就这样产生了。

在开始阶段，由于这些理论化的网络模型比较简单，还存在许多问题，而且这些模型几乎没有得到实践的检验，因而神经网络的发展比较缓慢。

随着理论研究的深入，问题逐渐地解决特别是工程上得到实现以后，如声纳识别成功，才迎来了神经网络的第一个发展高潮。

可Minisky认为感知器不能解决异或问题， 多层感知器也不过如此，神经网络的研究进入了低谷，这主要是因为非线性问题没得到解决。

随着理论的不断丰富，实践的不断深入， 现在已证明Minisky的悲观论调是错误的。今天，高度发达的科学技术逐渐揭示了非线性问题是客观世界的本质。

问题、理论、实践的相互作用又迎来了人工神经网络的第二次高潮。目前人工神经网络的问题是智能水平不高，还有其它理论和实现方面的问题，这就迫使人们不断地进行理论研究，不断实践，促使神经网络不断向前发展。

总之，先前的原因遇到了解释不同的新现象，促使人们提出更加普遍和精确的原因来解释。

理论是基础，实践是动力，但单纯的理论和实践的作用还不能推动人工神经网络的发展，还必须有问题提出，才能吸引科学家进入研究的特定范围，引导科学家从事相关研究，从而逼近科学发现，而后实践又提出新问题，新问题又引发新的思考，促使科学家不断思考，不断完善理论。

人工神经网络的发展无不体现着问题、理论和实践的辩证统一关系。

（3 ）人工神经网络发展的另一推动力来源于相关学科的贡献及不同学科专家的竞争与协同人工神经网络本身就是一门边缘学科，它的发展有更广阔的科学背景，亦即是众多科研成果的综合产物，控制论创始人Wiener在其巨著《控制论》中就进行了人脑神经元的研究；计算机科学家Turing就提出过B网络的设想；Prigogine提出非平衡系统的自组织理论，获得诺贝尔奖；Haken研究大量元件联合行动而产生宏观效果， 非线性系统“混沌”态的提出及其研究等，都是研究如何通过元件间的相互作用建立复杂系统，类似于生物系统的自组织行为。

脑科学与神经科学的进展迅速反映到人工神经网络的研究中，例如生物神经网络理论，视觉中发现的侧抑制原理，感受野概念等，为神经网络的发展起了重要的推动作用。

从已提出的上百种人工神经网络模型中，涉及学科之多，令人目不暇接，其应用领域之广，令人叹为观止。不同学科专家为了在这一领域取得领先水平，存在着不同程度的竞争，所有这些有力地推动了人工神经网络的发展。

人脑是一个功能十分强大、结构异常复杂的信息系统，随着信息论、控制论、生命科学，计算机科学的发展，人们越来越惊异于大脑的奇妙，至少到目前为止，人类大脑信号处理机制对人类自身来说，仍是一个黑盒子，要揭示人脑的奥秘需要神经学家、心理学家、计算机科学家、微电子学家、数学家等专家的共同努力，对人类智能行为不断深入研究，为人工神经网络发展提供丰富的理论源泉。

另外，还要有哲学家的参与，通过哲学思想和自然科学多种学科的深层结合，逐步孕育出探索人类思维本质和规律的新方法，使思维科学从朦胧走向理性。

而且，不同领域专家的竞争与协调同有利于问题清晰化和寻求最好的解决途径。纵观神经网络的发展历史，没有相关学科的贡献，不同学科专家的竞争与协同，神经网络就不会有今天。

当然，人工神经网络在各个学科领域应用的研究反过来又推动其它学科的发展，推动自身的完善和发展。

柯洁表示自己这辈子都无法战胜AI，目前人工智能各个流派发展现状如何？

人工智能，简称AI。研究和开发模拟、扩展和扩展人类智能的理论、方法、技术和应用系统是一门新兴的技术科学。人工智能是计算机科学的一个分支。

它试图理解智能的本质，并制造出一种新的智能机器，它能以类似人类智能的方式做出反应。该领域的研究内容包括机器人、语言识别、图像识别、自然语言处理和专家系统。

自人工智能诞生以来，其理论和技术日趋成熟，应用领域也不断拓展。可以想象，未来人工智能带来的科技产品将是人类智能的容器。人类正在向信息时代迈进，信息是当今时代的主旋律。

信息作为知识被抽象和具体化，形成了智力的基础。因此，从信息到知识再到智能，将成为人类社会发展的趋势。人工智能已经广泛深入地融入到科学技术的各个学科和社会的各个领域。

它的理念、方法和技术广泛渗透到各行各业。目前，人工智能的研究是与特定领域相结合的。基本上有以下几个方面。专家系统，专家系统是基于人类专家现有知识的知识系统。

专家系统是目前人工智能研究中最早、最活跃、最有效的领域，广泛应用于医学诊断、地质勘探、石油化工、军事、文化教育等方面。它是一个在特定领域具有相应知识和经验的程序系统。

它运用人工智能技术模拟人类专家解决问题时的思维过程，从而解决领域中的各种问题，达到或接近专家的水平。

机器学习，机器学习的研究是研究人类学习的机制、人脑的思维过程、机器学习的方法以及针对特定任务建立学习系统。机器学习的研究以信息科学、脑科学、神经心理学、逻辑学、模糊数学等学科为基础。

依托这些学科共同发展。目前，虽然取得了很大进展，但问题还没有完全解决。模式识别，模式识别是研究如何使机器具有感知能力，主要是视觉模式和听觉模式的识别。

如识别物体、地形、图像、字体如签名等，广泛应用于日常生活和军事事务的各个方面。近年来，随着模糊数学模型应用的迅速发展，人工神经网络模型方法逐渐取代了传统的统计模式和结构模式识别方法。

特别是神经网络方法在模式识别方面取得了很大的进展。人工神经网络，人工神经网络的灵感来源于对人脑奥秘的研究，试图用大量的处理单元，人工神经元、处理元件、电子元件等来模拟人脑神经系统的工程结构和工作机理。

在人工神经网络中，信息处理是通过神经元之间的相互作用来实现的。知识和信息的存储通过网络元素之间的分布式物理连接来表示。网络的学习和识别依赖于神经元连接权值的动态演化过程。

我国人工智能的发展现状

经过多年的持续积累，我国在人工智能领域取得重要进展，国际科技论文发表量和发明专利授权量已居世界第二，部分领域核心关键技术实现重要突破。

语音识别、视觉识别技术世界领先，自适应自主学习、直觉感知、综合推理、混合智能和群体智能等初步具备跨越发展的能力，中文信息处理、智能监控、生物特征识别、工业机器人、服务机器人、无人驾驶逐步进入实际应用，人工智能创新创业日益活跃，一批龙头骨干企业加速成长，在国际上获得广泛关注和认可。

加速积累的技术能力与海量的数据资源、巨大的应用需求、开放的市场环境有机结合，形成了我国人工智能发展的独特优势。

与此同时，我国人工智能整体发展水平与发达国家相比仍存在差距，缺少重大原创成果，在基础理论、核心算法以及关键设备、高端芯片、重大产品与系统、基础材料、元器件、软件与接口等方面差距较大。

科研机构和企业尚未形成具有国际影响力的生态圈和产业链，缺乏系统的超前研发布局；人工智能尖端人才远远不能满足需求；适应人工智能发展的基础设施、政策法规、标准体系亟待完善。

人工智能领域技术能力全面提升为人机协同奠定基础 随着大数据、云计算、互联网、物联网等信息技术的发展，以深度神经网络为代表的人工智能技术飞速发展，人工智能领域科学与应用的鸿沟正在被突破。

图像分类、语音识别、知识问答、人机对弈、无人驾驶等人工智能技术能力快速提升，技术的产业化进程得以开启，人工智能迎来爆发式增长的新高潮。

机器在人工智能技术的应用下，在“视觉”“听觉”“触觉”等人体感官的感知能力不断增强。

例如计算机视觉领域中深受关注的Image Net图像识别挑战赛获奖结果表明，2015年，计算机对于图像的识别能力已经超过人类水平，这意味着计算机能够在多种场景下一定程度上替代人类视觉的工作，更高效地完成任务。

同时得益于深度学习算法能力的提升，语音识别、自然语言处理等人工智能算法的不断革新助推计算机视觉产业持续向前。人工智能技术能力的不断成熟使得机器能够实现越来越人性化的操作。

人工智能技术能力的全面提升为人机系统的能力实现奠定了坚实的基础。

国内外研究现状与趋势

（一）美国百年地下水开发利用史的启示美国是开展地下水可持续利用性研究比较早的国家。早在1883年美国学者Chamber⁃lin即出版了《自流井》，首次论述了自流井的成井条件和开发理论。

1897年Iowa州地质调查局Norton在《Iowa自流井》报告中首次使用“含水层”理念。Todd于1900年提出，过多的自流井将导致自流水量衰减。

1923年Meinzer出版了《美国地下水形成与理论探讨》和《地下水文学概要》，系统地总结了水文地质学的研究工作和理论进展，同时首次对全国地下水资源进行了定性评估，阐述了美国地下水发生、补给、排泄、径流、数量、质量、开发利用等各个方面（陈美贞，2006；陈仁升等，2003）。

1935年Theis提出非稳定流理论，使许多实际问题得到较好解决。在地下水开发方面，人们开始意识到地下水资源是有限的。20世纪30年代Tolman及同事发现了地下水开采所引发的海水入侵和地面沉降现象。

20世纪60年代中期，以州为单位先后进行了各州地下水资源调查和均衡法地下水资源评价。1963年McGuinness总结了各州及地区地下水资源评价研究成果。

1977年美国发生了特大干旱，1978年美国地质调查局（USGS）启动了“区域水系统分析项目（RASA）”，历时近20年，调查和研究了全国28个以流域为单元的水系统，采用三维有限差分地下水流数值模型，模拟地下水开发前后地下水动态变化，并于1990～2000年期间编制出版了各个水系统的地下水图集（比例尺为1：250万～1：10万）。

目前，美国的地下水开采量占总用水量的 20.7%。其中，98.3% 的家庭用水、57.4%的牲畜用水和41.5%的灌溉用水都依赖于开采地下水源供给，而且对生态环境的改善和保护意识也越来越强烈。

为此，美国正在开展新一轮“地下水资源计划”（GWRP），研究重点已从过去的以州为单位转向整个水系统、水文系统和生态环境系统，从过去偏重地下水的资源供给功能转向地下水的资源功能、生态功能和地质环境功能综合调查评价研究，强调地下水可持续利用性研究。

近百年来美国地下水开发利用史表明，经济社会发展对地下水开发利用理念及其生态-地质环境功能研究具有重大推动作用。

在19世纪以前，地下水仅是经济社会发展中一种补充性资源，在水资源中地表水的开发利用研究占主导地位。

进入20世纪60年代，地下水成为经济社会发展愈来愈依赖的基础资源，特别是在持续干旱年份，地下水的开发利用得到空前的重视，同时含水层疏干、依赖地下水维持的生态系统急剧退化、地面沉降和海咸水入侵等环境问题日趋显现。

据USGS统计，在美国公共供水中，地下水的比重从1950年的26%增到2000年的37%。

80年代，地下水保护问题受到重视，美国联邦政府制定了提高污水排放标准和提高用水效率的多项保护法规，到2000年亩均灌水量比1950年减少了30%。

在《2000～2010年美国地质调查局地质部科学战略》和《1998～2008年水资源部发展战略》中，突出了地下水的可用性和可持续性研究，包括城市化和市郊化对地下水影响调查、海岸带土地利用和人口增长对地下水影响调查和地下水-地表水相互作用研究。

（二）国内地下水评价研究动态从20世纪50年代以来，地质矿产部和有关部门在全国范围内开展了大量的地下水及其环境地质问题调查评价工作，包括区域水文地质、供水水文地质、环境水文地质、地下水资源评价与新技术和新方法应用。

经过50多年来的水文地质工作，基本查明了我国地下水资源的区域分布规律，并且把西北和华北的地下水勘察研究作为一项主要战略任务做了大量工作，实现了各种信息的采集、处理、存储、传输和交换，并开始把地下水作为水圈、岩石圈的组成部分和重要环境因子，开展地球表层四大圈层相互关系及大陆水循环与全球变化研究，把地下水融入“全球一体化”的大环境中思考，利用大剖面、同位素等研究地下水循环方式，极大地改变着地下水评价的传统思维与方式，尤其是近几年信息技术的发展，加快了对地下水评价的速度。

50多年的地下水评价工作，具有如下特点：①体现国家意志、服从国家目标，成为地下水评价的宗旨；②发挥水文地质工作优势，体现地下水区域性、基础性评价服务于国家建设；③取得的丰富资料和经验，奠定了地下水评价方法研究的基础。

自20世纪70年代以来，由于应用数学和地下水动力学的相互渗透，以及电算技术的推广和应用，丰富并突破了传统水文地质学的内容，使地下水评价从定性研究发展到定量研究的新阶段。

地下水资源评价的基本理论，从稳定流发展到非稳定流，从二维流发展到三维流，从一般均衡法和比拟法，发展到解析法和有限单元或有限差分数值法及相关分析法。

地下水质量评价从单项评价发展到综合评价，从一般数理统计方法发展到聚类、神经网络和灰色系统评价方法。

20世纪80年代后期，地下水资源评价工作开始把主要目标转向管理模型的研究，涉及与地下水开发活动有关的自然环境、社会环境和技术经济环境等各方面问题。

但是，面对21世纪可持续发展的要求，地下水评价工作存在不同程度的不适应新问题。

始于20世纪80年代的第一轮全国地下水资源评价，是基于以消耗资源、牺牲环境作为代价的发展过程，在评价指导思想、评价理念和评价方法诸方面，都存在历史的局限性，急需按新的要求进行完善和发展。

例如由于受当时认识能力和技术水平的局限，对地下水系统的资源、环境和生态属性功能的基本认识和评价方式中，有关可持续发展思想和水循环理念体现不足，静态思维比较突出。

1.地下水资源分类与概念演变20世纪50～60年代，我国在地下水资源评价方面普遍采用前苏联的“四大储存量”的概念，即动储存量、静储存量、调节储存量和开采储存量。

在欧美一些国家也都使用过这些概念（曲焕林等，1991）。

经过水文地质工作者的多年实践，普遍感到应用“四大储存量”的概念评价地下水资源存在许多缺陷（陈雨荪，1982；刘光亚，1982；王强忠等，1982），现在已基本停止使用。

在20世纪70年代提出了“三种水量”的概念，即补给量、储存量、允许开采量，并于1989年纳入国家标准（GBJ27-88）。

但是随着实践和理论的发展，其局限性和理论缺陷逐渐暴露出来（徐恒力等，2001）。

方案中沿袭以含水层（或水源地）为评价单元的思维模式，没有体现地下水资源整体性和系统性；补给量和储存量的时空概念含糊，容易造成水量重复计算；允许开采量仅仅是一种笼统的提法，在实践中难以操作等。

20世纪80年代“资源”的概念逐渐为人们所接受，欧美、日本等国家和地区先后采用了地下水资源的概念，陆续出现了“潜在可更新资源”（Potential Renewable Resource）、“实际可更新资源”（Actual Renewable Resource）、“可用更新资源”（Available Renewable Resource）、“安全开采量”（Safe Yield）、“可持续开采量”（Sustainable Yield）和“实际可持续开采量”（Practical Sustained Yield）等。

我国学者王大纯教授（1995）等人，从地下水资源自然属性出发，将地下水资源划分为“补给资源”和“储存资源”两类。“补给资源”被定义为“含水系统可以恢复再生的水量”。

将含水系统的多年平均补给量作为补给资源量，单位为m3/a。“储存资源”被定义为“含水系统在地质历史时期积累保存下来的水量”。将含水系统多年平均低水位以下的重力水体积作为储存资源量，单位为m3。

陈梦熊院士等1983年提出的、后经过不断调整和补充（2002）的地下水资源分类，也具有广泛代表性。在该分类中，将地下水资源分为“天然资源”和“可采资源”。

“天然资源”被定义为“在一个完整的水文地质单元（地下水系统）内，地下水在天然条件下通过各种途径，直接或间接地接受大气降水或地表水入渗补给而形成的具有一定水化学特征、可资利用并按水文周期呈现规律变化的多年平均补给量”，一般可用区域内各项补给量的总和或排泄量的总和来表征。

“可采资源”被定义为“在经济技术条件合理、开采过程中不发生水质恶化或其他不良地质现象（如地面沉降、地面塌陷等），并对生态平衡不致造成不利影响的情况下，有保证的可供开采的地下水资源”。

2.地下水资源评价方法研究现状达西（Darcy）定律和水量均衡是地下水资源数量评价的理论基础，由此产生了两种评价方法，即“地下水系统水量均衡法”和“地下水系统水动力学法”。

“地下水系统水量均衡法”是直接利用质量均衡原理，通过建立地下水系统的补给量、排泄量和储变量之间水量关系，确定地下水资源数量。

“地下水系统水量均衡法”既可用于区域地下水资源的水量计算，又可用于局域地下水资源的水量计算；既可估算地下水系统的补给和排泄的总量，又可计算地下水系统的各单项量，是地下水资源评价中最常用的一种基本方法，也是一种比较可靠的方法。

“地下水系统水动力学法”是根据达西定律和水量均衡原理，建立描述地下水运动规律的微分方程，通过求解微分方程，实现对地下水系统水量状态评价。按照微分方程的解法，划分为“解析法”和“数值法”。

解析法是根据地下水井流理论进行地下水量评价，主要适用于均衡区范围较小、水文地质条件简单的均质含水系统。

在20世纪50年代之前，解析法在地下水资源评价中发挥了重要作用，迄今仍然是地下水资源评价中确定水文地质参数的主要方法。

但是当把解析法应用于大范围水系统时，由于实际的水文地质条件远较解析法所假设的条件要复杂得多，其局限性就暴露了出来（薛禹群等，1986）。

为了解决随地下水开采规模进一步扩大所出现的问题，在20世纪50～60年代，兴起物理模拟（电模拟和砂槽模拟等）技术，但是仍不能很好地解决复杂水文地质条件下区域地下水资源评价所面临的问题。

计算机技术和数值计算在地下水资源评价中的应用推广，使一些复杂地下水流模拟成为可能，而且开始考虑含水介质的非均质性和各向异性，对复杂的越流系统和具有不规则形状的各类边界条件，以及多相流和双重介质等问题也开展了深入的研究，在概念模型中更多地保留了实体系统的自然特性。

由于数值法既可用于大区域地下水资源评价，又可用于局部的水源地评价；既可处理复杂的水文地质问题，又具有较高的计算精度，因此，逐渐成为地下水资源评价的重要方法，并因其更易实现系统分析的目标而被广泛应用于地下水资源评价和管理工作中。

在地下水资源评价中，常用的方法还有水文分析法、相关分析法、水文地质比拟法等。

“水文分析法”是仿照陆地水文学的测流分析，计算地下水补给量的一种方法，主要应用于地下水补给量全部转化为地下水泄流的地区，如岩溶管道流区、全排型岩溶大泉的岩溶水系统或基岩山区裂隙水系统等其他方法难以应用的地区，主要有地下径流模数法和基流分割法。

“水文地质比拟法”，常用于实际资料缺乏的地区，主要根据水文地质条件的相似性，用区域内局部地段或相似条件的其他地区的实际资料比拟到全区或研究区进行地下水资源评价，多数用于可采资源的估计。

该方法是研究区缺乏资料情况下不得已的选择，其评价结果的精确性较差。

“相关分析法”是一种统计学方法，主要用于区域水文地质勘探试验资料不足，但是地下水动态资料较多的地区，应用这种方法进行外推时其可靠性很难保证。

“开采试验法”，在地下水的非补给期（枯水期），按接近取水工程设计的开采条件，进行较长时间的抽水实验，然后根据抽水量、水位降深动态或开采条件下的水量均衡方程求解出水源地枯季补给量，并以此作为水源地的允许开采量。

该方法主要用于水源地允许开采量的评价，在区域地下水资源评价中主要用该方法求取参数。纵观国内外地下水评价成果，最常用的方法是“地下水系统水量均衡法”和“数值法”。

美国1977年开展的“区域水系统分析计划”（简称RASAP，1978～1995年期间）联合运用数值法和均衡法对全国25个主要地下水系统水资源进行了评价（USGS，1998）。

在2000年开始的新一轮地下水资源评价（Ground-water Resources Program）中，仍然以数值法为主（USGS，2001）。

欧盟各国联合开展的区域地下水资源评价中，水量均衡法是主要方法（Fried，1982；Rees and Cole，1997）。

此外，亚洲、非洲一些国家也大多采用水量均衡法和数值法进行区域地下水资源评价（Leslie B.Smith and Kadri Külm，2002；Shahin，1989；Lloyd，1990；Ulf Thorweihe and Manfred Heinl，2002）。

我国在20世纪80年代开展的第一轮全国地下水资源评价中，均衡法和数值法也是主要评价方法。

随着数学地质的发展，最近在国内外地下水评价中出现了一些新的理论方法，如随机理论和神经网络（Kitanidis，1985；Bates，1992；Gelhar，1993；Brannan，1993；杨金忠等，2000），但是这些方法还处于理论探索之中，目前还难以广泛实际应用。

3.地下水质量评价研究现状我国在早期的地下水质量评价中一般借用外国学者设计的评价模式，如内梅罗（Nemerow N.L.）指数法等。

但是在应用过程中，逐渐发现这些评价模式在理论上和实践上的不足，于是我国地下水质量评价工作者，根据自己实践的经验和实际情况，提出了许多适合不同用途的水质量评价方法。

如20世纪60年代开始用“环境质量综合指数”定量地表示环境质量状况，发展至今已提出许多种计算综合指数的数学模式，这些模式对环境质量的划分一度起了积极的作用。

早期全国性地下水质量评价，尚无“国家地下水水质标准”，主要依据国家建委和卫生部批准试行的“生活饮用水卫生标准”（TJ20-76），并参考世界卫生组织（WHO）1958年公布的“饮用水水质标准”，个别评价参数考虑地方“饮用水水质标准”。

评价方法主要采用指数法、多项参数法和模糊数学法等。在现今的全国地下水质量评价中，虽然在评价项目选定、分类和污染等级划分等方面有所变动，但是其思路和技术方法均沿袭了这一格局。

20世纪80年代以来，随着计算机技术的高速发展和广泛应用，模糊数学、灰色聚类和神经网络等方法在地下水质量评价中广泛应用，且随着方法的改进，人们也越来越重视评价结果的合理性。

但是由于影响地下水质量的因素较多，以至各评价方法都存在一些局限性。

例如综合污染指标法的“硬性分级划分”，灰色和模糊系统需要设计若干不同的效用函数（灰色系统的白化函数、模糊数学的隶属函数等），以及人为地给定各评价指标的权重（或权函数）等，这些效用函数和指标权重的给定难免不带主观性，造成评价方法难以通用，增加了应用的困难和人为臆断因素对结论的影响。

在地下水质量评价方法中，普遍存在“参数权重”问题，例如指数法把各个水质参数等同，模型法在参数选取和参数权重设定中存在较大的主观性。目前，迅速发展的人工神经网络评价方法，拓宽了地下水质量评价方法的视野。

4.地下水脆弱性评价研究现状自1968年Margat首次提出“地下水脆弱性”这一术语后，虽然经过几十年的发展，但是至今国内外对“地下水脆弱性”概念仍然没有统一的定义，许多学者根据自己所考虑的因素从不同的角度给“地下水脆弱性”以不同的定义。

以1987年为限，“地下水脆弱性”概念的发展过程可划分两个阶段。在1987年以前，有关地下水脆弱性的概念多是从水文地质本身的内部要素这一角度来定义的。

1970年Margat与Albiet提出的地下水脆弱性是指在自然条件下污染源从地表渗透与扩散到地下水面的可能性。

Olmer与Rezac则认为地下水脆弱性是地下水可能遭受危害的程度，这种危害程度由自然条件决定，而与现有污染源无关。Vrana提出地下水脆弱性是影响污染物进入含水层的地表与地下条件的复杂性。

1983年Villumsen等定义地下水脆弱性是指应用中或废弃于地表的化学物质对地下水的危害性。1987年“土壤与地下水脆弱性国际会议”揭开了“地下水脆弱性”研究新阶段的序幕。

多数学者主张在定义地下水脆弱性时应考虑含水层本身的易污染性和人类活动与污染源的影响。有的学者提出地下水脆弱性是地下水质量对现在或将来有害于其使用价值的敏感性。

地下水系统脆弱性已经被广泛认同的是指这个系统对来自外部（天然与人类活动）从时间和空间上影响它的状态及性质的处理能力。

1991年美国审计署应用“水文地质脆弱性”来表达含水层在自然条件下的易污染性，而用“总脆弱性”来表达含水层在人类活动影响下的易污染性。

美国国家科学研究委员会于1993年提出地下水脆弱性是污染物到达最上层含水层之上某特定位置的倾向性与可能性，并将地下水脆弱性分为两类：一类是本质脆弱性，即不考虑人类活动和污染源而只考虑水文地质内部因素的脆弱性；另一类是特殊脆弱性，即地下水对某一特定污染源或污染群体或人类活动的脆弱性。

欧洲、北美和澳大利亚等地区，在地下水污染防治工作中，已经以污染治理为重点转变为以防止污染为重点，开展了地下水环境脆弱性评价，并编制了评价图册。

至今国内尚没有明确的“地下水脆弱性”的定义，定义多引用外文资料，多是从水文地质本身内部要素角度出发，针对局部城市或水源地，包括“环境生态脆弱区地下水开发模式及系列编图”工作，研究地下水本质脆弱性，常以“地下水的易污染性”、“污染潜力”、“防污性能”等来代替“地下水脆弱性”这一术语。

5.存在问题新中国成立以来，地下水评价工作为保障国家经济社会发展的需求提供了重要支撑。

但是，从地下水可持续利用角度考虑，地下水评价工作尚存在如下问题：1）以往的工作，偏重地下水赋存条件的研究，对地下含水层结构和地下水补、径、排条件研究程度有待深入。

作为地下水赋存空间的地下水系统结构和地下水动态，是地下水资源评价的基础。2）地下水与环境保护密切相关，是环境保护的重要制约因素。以往对地下水质量、环境和生态属性功能评价重视不够。

3）地下水资源可持续利用程度及趋势预测研究缺乏深度，不能适应国民经济对地下水前瞻性要求。

4）由于大量的水利工程修建，改变了地表水、地下水循环条件，出现了不少新的水环境问题，特别是地下水补给条件的改变，使得有些地区地下水补给减少，生态环境不断恶化。

因此，在新的地下水评价中急需考虑这些变化的影响。（三）地下水功能评价与区划研究现状1998年许志荣在《水文地质工程地质》（第五期）上发表了“地下水功能区划分初探”，提出了开展地下水功能区划的必要性。

1999年史瑞青等在《工程勘察》（第一期）上介绍了“灰色聚类分析在地下水区划中应用”的技巧。

2001年费为进等在《地下水》（第四期）上发表了“快速灰色分级聚类法在地下水功能区划中应用”，提出灰色分级聚类法是地下水功能区划的一种简明方法。

这一时期的地下水功能研究都是从地下水资源合理利用角度出发，基于传统地下水资源评价理念。

2002年中国地质调查局水环部从生态、地质环境保护角度，作为约束条件，提出开展“地下水功能评价专题研究”，由中国地质科学院水文地质环境地质研究所张光辉研究员主持开展有关地下水功能理念、评价理论与方法探索性研究，于2003年提出了地下水功能评价基本框架和评价指标体系。

2004年6月该项目组完成了“地下水的资源功能、生态功能和地质环境功能评价的科学体系”构建和论证，包括基本理念、评价理论、评价指标体系和评价关键技术等，编制了“地下水功能评价与区划技术”，编入中国地质调查局《全国地下水资源及其环境问题调查评价技术要求系列》（二、三）中，并先后在兰州、武汉、石家庄、北京、沈阳和呼和浩特主办“地下水功能评价与区划”技术骨干培训班，在我国西北、华北和东北地区全面推广应用。

2004年唐克旺等在《水资源保护》（第五期）上发表了“地下水功能区划分浅谈”，介绍了水利部门进行地下水功能区划的基本思路。2005年水利部下发了《关于开展全国地下水功能区划定工作的通知》。

2006年张光辉等在《水文地质工程地质》（第四期）上发表了“区域地下水功能及可持续利用性评价理论与方法”一文，全面阐述了地下水功能评价理论和方法；黄鹏飞等在《中国环境管理》（2006年第二期）上发表了“层次分析法在民勤绿洲地下水功能评价中应用”，介绍了地下水的资源功能、生态功能和地质环境功能状况。

2007年罗育池等在《中国农村水利水电》（第九期）上发表了“基于MapGIS的河南省浅层地下水功能评价与区划”；吕红等在《水文》（2007年第三期）上发表了“山东省地下水功能区划初探”，指出地下水功能区划是政府行使管理职能的重要基础；闫成云等在《水文地质工程地质》（2007年第三、四期）上发表了“疏勒河流域中下游盆地地下水功能评价与区划”，引用大量实例阐述了地下水功能评价与区划的实际效用。

2007年范伟完成了“吉林省平原区地下水功能评价”硕士学位论文。张光辉等在《地质通报》（2008年第六期）上论证了地下水功能评价与地下水可持续开采量的关系。

（四）地下水开发利用研究现状与趋势地下水开发利用研究总的趋势是学科内涵不断拓展、生态-地质环境保护优先、安全保障能力建设为重点、与经济社会和谐可持续发展是根本。

1）资源和环境、生态并重，已成为地下水开发利用研究的主题。地下水可持续利用既要保障社会稳定的水供给，又不能牺牲生态-地质环境效益，同时不影响未来长远的水资源利用。

恢复由于人类影响而退化的地下水功能、地下水疏干区定量跟踪和调控、增强地下水含水层获得补给途径和机制、地表水与地下水联合调蓄和协调开发、地下水利用和分配的社会-经济规律及管理模式等是当前重要的研究课题。

2）地球表层系统的水文地质过程研究，已成为现代地下水科学演化的重要专题。土壤、包气带、浅层地下水、湿地与湖泊、绿洲、河流和农业用地等，与地下水可持续利用性研究密切相关。

包气带是介于潜水面和地表之间的多孔介质，化学风化、有机质分解、氮素固定等其他化学物质循环过程均发生在包气带，也是地下水补给、污染物向地下水运移的必经之路。

包气带中所发生的物理、化学和生物过程与水文地质学、土壤学、生态学和环境学关联性愈来愈紧密（甘肃地调院，2007）。3）建立高效的地下水动态监测、状况调查和突发应急机制，经济社会发展的需求愈来愈迫切。

1996年国际水文计划工作组将“可持续水资源利用”定义为“支承从现在到未来社会及其福利要求，而不破坏他们赖以生存的水文循环及生态系统完整性的水的管理和使用”。

要求在水资源规划、开发和管理中，寻求经济发展、环境保护和人类社会福利之间的最佳联系与协调，强调未来变化、社会福利、水文循环、生态系统保护的完整性，使“未来遗憾可能性达到最小”。

2000年在美国召开的“水资源综合管理研讨会”上，达成一个共识：流域统一管理是防止土地退化、保护淡水资源与生物多样性、实现水资源可持续利用的必然抉择。

4）可持续性（Sustainability）是当今地下水开发利用中最为人们关注的核心。它指地下水时空上能够连续下去。

Serageldin and Steer将“可持续性”概化为“可持续性弱”、“可持续性适度”、“可持续性强”和“可持续性过强”。

“可持续性弱”不关心局部、只关心整体；“可持续性适度”主要以维持系统的整体性为目的，但也适当关照其组分；“可持续性强”要求保持系统组分的良好状态，同时也关照到系统整体，各组分不可互相替换，而且根据某些理解，即使是在组分内部，可替换性也是受到限制的；“可持续性过强”就是保持系统的所有要素完好无损且无任何损耗。

人工神经网络的发展

现代意义上对神经网络（特指人工神经网络）的研究一般认为从1943年美国芝加哥大学的生理学家W.S. McCulloch和W.A. Pitts提出M-P神经元模型开始，到今年正好六十年。

在这六十年中，神经网络的发展走过了一段曲折的道路。

1965年M. Minsky和S. Papert在《感知机》一书中指出感知机的缺陷并表示出对这方面研究的悲观态度，使得神经网络的研究从兴起期进入了停滞期，这是神经网络发展史上的第一个转折。

到了20世纪80年代初，J.J. Hopfield的工作和D. Rumelhart等人的PDP报告显示出神经网络的巨大潜力，使得该领域的研究从停滞期进入了繁荣期，这是神经网络发展史上的第二个转折。

到了20世纪90年代中后期，随着研究者们对神经网络的局限有了更清楚的认识，以及支持向量机等似乎更有前途的方法的出现，“神经网络”这个词不再象前些年那么“火爆”了。

很多人认为神经网络的研究又开始陷入了低潮，并认为支持向量机将取代神经网络。

有趣的是，著名学者C.-J. Lin于2003年1月在德国马克斯·普朗克研究所所做的报告中说，支持向量机虽然是一个非常热门的话题，但目前最主流的分类工具仍然是决策树和神经网络。

由著名的支持向量机研究者说出这番话，显然有一种特殊的意味。事实上，目前神经网络的境遇与1965年之后真正的低潮期相比有明显的不同。

在1965年之后的很长一段时期里，美国和前苏联没有资助任何一项神经网络的研究课题，而今天世界各国对神经网络的研究仍然有大量的经费支持；1965年之后90%以上的神经网络研究者改变了研究方向，而今天无论是国际还是国内都有一支相对稳定的研究队伍。

实际上，神经网络在1965年之后陷入低潮是因为当时该领域的研究在一定意义上遭到了否定，而今天的相对平静是因为该领域已经走向成熟，很多技术开始走进生产和生活，从而造成了原有研究空间的缩小。

在科学研究中通常有这么一个现象，当某个领域的论文大量涌现的时候，往往正是该领域很不成熟、研究空间很大的时候，而且由于这时候人们对该领域研究的局限缺乏清楚的认识，其热情往往具有很大的盲目性。

从这个意义上说，过去若干年里各领域研究者一拥而上、各种专业刊物满眼“神经网络”的风光，其实是一种畸形繁荣的景象，而对神经网络的研究现在才进入了一个比较理智、正常的发展期。

在这段时期中，通过对以往研究中存在的问题和局限进行反思，并适当借鉴相关领域的研究进展，将可望开拓新的研究空间，为该领域的进一步发展奠定基础。