38、如何选择优质神经网络？验证与确认技术

如何选择优质神经网络？验证与确认技术

1. 背景与问题提出

在大气污染物源定位系统中，传统的扩散模型需要通过似然函数引导的模型参数空间扫描算法，来使预测数据与观测数据（传感器位置的浓度）达到最匹配。这一过程需要进行数千次扩散模型运行，计算时间长，即使采用分布式系统，也难以实现城市环境下的实时重建。

为解决这一问题，可使用训练好的人工神经网络（ANN）替代扩散模型。ANN通过示例学习，经过良好训练后能快速解决任务，是实时工作系统的优秀工具。不过，ANN训练计算成本高，但训练完成后可高速估计污染物浓度分布。

以往研究虽证实ANN有替代扩散模型的潜力，但在验证ANN模型质量方面存在不足，标准性能指标如相关性R和均方误差等在评判ANN质量时存在局限性。因此，需要提出新的指标来验证ANN输出与目标在空间和时间上的动态一致性，并改进训练数据中零值占比较大时的ANN质量。

2. ANN模型

前馈神经网络（FFNNs）常用于预测和函数逼近。其第一层由代表输入变量的神经元组成，网络基于这些输入变量在输出层产生神经元。输入层和输出层之间是隐藏层。ANN的性能取决于所选架构，包括神经元数量、隐藏层数量和连接结构。

目标是训练ANN预测在特定释放场景下，特定时间和位置的污染物浓度。输入向量结构为：$Input_i \equiv {X_s, Y_s, Q, d, x, y, v, t}$ ，其中 $(X_s, Y_s)$ 是污染源坐标（域内以米为单位），$Q$ 是释放速率，$d$ 是释放持续时间，$v$ 是风向，$t$ 是释放开始后的时间。训练好的网络应返回输出神经元 $Output_i \equiv C_{S_j(x,y)}^i(t)$ ，