- 相關推薦
農(nóng)產(chǎn)業(yè)SOM網(wǎng)絡構造論文
1SOM網(wǎng)絡基本原理和結構
SOM網(wǎng)絡，也稱kohonen網(wǎng)絡，由芬蘭學者Kohonen［1］于1981年提出，其認為處于空間中不同區(qū)域的神經(jīng)元有不同的分工，當一個神經(jīng)網(wǎng)絡接受外界輸入模式時，將會分為不同的反應區(qū)域，各區(qū)域對輸入模式具有不同的響應特征［2］。SOM網(wǎng)絡被廣泛地應用于分類聚類、語音識別、數(shù)據(jù)分析和預測等多個領域。
1．1網(wǎng)絡結構SOM網(wǎng)絡由輸入層和輸出層組成，其中輸入層模擬感知外界輸入信息的視網(wǎng)膜，輸出層(競爭層)模擬作出響應的大腦皮層。樣本從輸入層進入網(wǎng)絡內(nèi)部;輸出層上神經(jīng)元之間相互競爭，使得若干神經(jīng)元活躍，并最終成為獲勝結點。神經(jīng)元的排列形式一般有一維陣列和二維陣列2種，其中二維陣列(圖1)應用最為廣泛。
1．2學習過程SOM網(wǎng)絡的學習過程是一個尋找最優(yōu)權值的過程:網(wǎng)絡中有多個神經(jīng)元分布，其權值用來模擬人腦的記憶單元，計算每個神經(jīng)元權值與輸入樣本的歐式距離，距離最小的神經(jīng)元為獲勝神經(jīng)元，獲勝的神經(jīng)元及其鄰域內(nèi)的神經(jīng)元采用一定的規(guī)則在訓練中逐步調整權值，直到得到一個較好的權值分布。最終可使網(wǎng)絡的某些節(jié)點成為對特定模式類敏感的神經(jīng)細胞，從而形成能夠反映樣本模式類分布情況的有序特征圖。
2基于SOM網(wǎng)絡的農(nóng)業(yè)產(chǎn)業(yè)結構研究模型
2．1農(nóng)業(yè)產(chǎn)業(yè)結構由于我國氣候、降水、土壤、地形等自然條件差異較大，農(nóng)業(yè)類型呈多樣化形式，其分布具有較強的地域性。如青海省獨特的地理環(huán)境及其資源條件，客觀上決定了其地表資源利用的主體方式是農(nóng)牧業(yè)［3］。全面了解各地區(qū)的農(nóng)業(yè)產(chǎn)業(yè)結構，分析各地區(qū)農(nóng)業(yè)的優(yōu)勢和劣勢，有利于農(nóng)業(yè)的發(fā)展和相關政策的制定。農(nóng)業(yè)產(chǎn)業(yè)結構也稱為農(nóng)業(yè)生產(chǎn)結構，是一定地域的農(nóng)業(yè)其各產(chǎn)業(yè)部門的組成和構成比例。是農(nóng)業(yè)生產(chǎn)力合理組合和開發(fā)利用方面的基本問題，影響著農(nóng)業(yè)資源是否能合理應用。通�？梢苑譃�3個層次:一是生產(chǎn)結構，表現(xiàn)為不同生產(chǎn)部門之間的比例;二是產(chǎn)品結構，表現(xiàn)為同一生產(chǎn)部門中不同產(chǎn)品之間的結構;三是品種結構，主要表現(xiàn)為某一產(chǎn)品中不同品種之間的比例。
2．2SOM農(nóng)業(yè)產(chǎn)業(yè)模型網(wǎng)絡分為2層，輸入層上將產(chǎn)業(yè)結構數(shù)據(jù)作為樣本輸入值，維數(shù)為4，競爭層采用二維陣列，節(jié)點數(shù)為5×5。對網(wǎng)絡進行權值初始化操作，通常設置為(0，1)的隨機數(shù)，建立獲勝領域初始值Nj(0)，確定學習速率的初始值η(0)(0＜η(0)＜1)和學習次數(shù)T。再對樣本進行如下運算:①計算Xpi與ωji之間的歐氏距離，尋找獲勝節(jié)點，找出歐式距離最小的獲勝節(jié)點;②定義優(yōu)勝領域Nj(t)，通常初始領域Nj(0)較大，在訓練過程中Nj(t)隨訓練時間逐漸收縮;定義學習率η(t)，通常η(t)隨著時間增大而減小;③修改權值，對優(yōu)勝領域Nj(t)內(nèi)的所有節(jié)點按照規(guī)則進行權值調整，ωji(t+1)=ωji(t)+η(t)(Xpi－ωji(t))i=1，2，…，n，j∈Nj(t);④選取下一個樣本進入網(wǎng)絡的輸入層，返回步驟①，直到所有樣本學習完畢;⑤t=t+1，返回步驟②，直至t=T為止。
3實例應用
選取生產(chǎn)結構為研究點，對我國31個省、市、區(qū)的農(nóng)業(yè)內(nèi)部結構作聚類研究，各地區(qū)農(nóng)業(yè)中種植業(yè)、漁業(yè)、畜牧業(yè)和林業(yè)所占的比重如表1所示。SOM網(wǎng)絡是一種自組織網(wǎng)絡，能夠根據(jù)樣本的固有特征自動聚類，將31個地區(qū)的產(chǎn)業(yè)結構數(shù)據(jù)作為樣本輸入值，得到31個地區(qū)的農(nóng)業(yè)產(chǎn)業(yè)結構分布，聚類結果分為4類，如表2所示。通過試驗可以得出，第一類代表的是以種植業(yè)和漁業(yè)為主的地區(qū);第二類代表了種植業(yè)占明顯優(yōu)勢的地區(qū);第三類代表了種植業(yè)稍占優(yōu)勢且畜牧業(yè)發(fā)展良好的地區(qū);第四類地區(qū)是以種植業(yè)為主，畜牧業(yè)和漁業(yè)為輔的結構。
4結語
SOM算法是一種無導師學習方法，其網(wǎng)絡具有良好的自組織性，能夠挖掘數(shù)據(jù)之間的關聯(lián)并自動進行聚類。試驗表明，引用SOM網(wǎng)絡對全國農(nóng)業(yè)產(chǎn)業(yè)結構的聚類分析是有效的，可以為后期的農(nóng)業(yè)規(guī)劃提供數(shù)據(jù)依據(jù)。
【農(nóng)產(chǎn)業(yè)SOM網(wǎng)絡構造論文】相關文章：
網(wǎng)絡游戲產(chǎn)業(yè)的論文開題報告10-11
網(wǎng)絡媒體對旅游產(chǎn)業(yè)的作用論文09-16
關于網(wǎng)絡游戲產(chǎn)業(yè)的論文開題報告07-16
基于SOM網(wǎng)絡的城市分類探討及實證分析06-04
對教育產(chǎn)業(yè)和產(chǎn)業(yè)教育的深思論文09-08
微電子產(chǎn)業(yè)的變遷論文09-22
京劇藝術動漫產(chǎn)業(yè)論文08-24