農(nóng)產(chǎn)業(yè)SOM網(wǎng)絡(luò)構(gòu)造

前言：想要寫出一篇引人入勝的文章？我們特意為您整理了農(nóng)產(chǎn)業(yè)SOM網(wǎng)絡(luò)構(gòu)造范文，希望能給你帶來靈感和參考，敬請閱讀。

1som網(wǎng)絡(luò)基本原理和結(jié)構(gòu)

SOM網(wǎng)絡(luò)，也稱kohonen網(wǎng)絡(luò)，由芬蘭學(xué)者Kohonen［1］于1981年提出，其認(rèn)為處于空間中不同區(qū)域的神經(jīng)元有不同的分工，當(dāng)一個神經(jīng)網(wǎng)絡(luò)接受外界輸入模式時，將會分為不同的反應(yīng)區(qū)域，各區(qū)域?qū)斎肽Ｊ骄哂胁煌捻憫?yīng)特征［2］。SOM網(wǎng)絡(luò)被廣泛地應(yīng)用于分類聚類、語音識別、數(shù)據(jù)分析和預(yù)測等多個領(lǐng)域。

1．1網(wǎng)絡(luò)結(jié)構(gòu)SOM網(wǎng)絡(luò)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(yīng)的大腦皮層。樣本從輸入層進(jìn)入網(wǎng)絡(luò)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(jié)點(diǎn)。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(yīng)用最為廣泛。

1．2學(xué)習(xí)過程SOM網(wǎng)絡(luò)的學(xué)習(xí)過程是一個尋找最優(yōu)權(quán)值的過程:網(wǎng)絡(luò)中有多個神經(jīng)元分布，其權(quán)值用來模擬人腦的記憶單元，計算每個神經(jīng)元權(quán)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(xùn)練中逐步調(diào)整權(quán)值，直到得到一個較好的權(quán)值分布。最終可使網(wǎng)絡(luò)的某些節(jié)點(diǎn)成為對特定模式類敏感的神經(jīng)細(xì)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(luò)的農(nóng)業(yè)產(chǎn)業(yè)結(jié)構(gòu)研究模型

2．1農(nóng)業(yè)產(chǎn)業(yè)結(jié)構(gòu)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(qiáng)的地域性。如青海省獨(dú)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(jié)構(gòu)，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(guān)政策的制定。農(nóng)業(yè)產(chǎn)業(yè)結(jié)構(gòu)也稱為農(nóng)業(yè)生產(chǎn)結(jié)構(gòu)，是一定地域的農(nóng)業(yè)其各產(chǎn)業(yè)部門的組成和構(gòu)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(yīng)用。通常可以分為3個層次:一是生產(chǎn)結(jié)構(gòu)，表現(xiàn)為不同生產(chǎn)部門之間的比例;二是產(chǎn)品結(jié)構(gòu)，表現(xiàn)為同一生產(chǎn)部門中不同產(chǎn)品之間的結(jié)構(gòu);三是品種結(jié)構(gòu)，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(luò)分為2層，輸入層上將產(chǎn)業(yè)結(jié)構(gòu)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(diǎn)數(shù)為5×5。對網(wǎng)絡(luò)進(jìn)行權(quán)值初始化操作，通常設(shè)置為(0，1)的隨機(jī)數(shù)，建立獲勝領(lǐng)域初始值Nj(0)，確定學(xué)習(xí)速率的初始值η(0)(0＜η(0)＜1)和學(xué)習(xí)次數(shù)T。再對樣本進(jìn)行如下運(yùn)算:①計算Xpi與ωji之間的歐氏距離，尋找獲勝節(jié)點(diǎn)，找出歐式距離最小的獲勝節(jié)點(diǎn);②定義優(yōu)勝領(lǐng)域Nj(t)，通常初始領(lǐng)域Nj(0)較大，在訓(xùn)練過程中Nj(t)隨訓(xùn)練時間逐漸收縮;定義學(xué)習(xí)率η(t)，通常η(t)隨著時間增大而減小;③修改權(quán)值，對優(yōu)勝領(lǐng)域Nj(t)內(nèi)的所有節(jié)點(diǎn)按照規(guī)則進(jìn)行權(quán)值調(diào)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(jìn)入網(wǎng)絡(luò)的輸入層，返回步驟①，直到所有樣本學(xué)習(xí)完畢;⑤t=t+1，返回步驟②，直至t=T為止。

3實例應(yīng)用

選取生產(chǎn)結(jié)構(gòu)為研究點(diǎn)，對我國31個省、市、區(qū)的農(nóng)業(yè)內(nèi)部結(jié)構(gòu)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(luò)是一種自組織網(wǎng)絡(luò)，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(jié)構(gòu)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(jié)構(gòu)分布，聚類結(jié)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(jié)構(gòu)。

4結(jié)語

SOM算法是一種無導(dǎo)師學(xué)習(xí)方法，其網(wǎng)絡(luò)具有良好的自組織性，能夠挖掘數(shù)據(jù)之間的關(guān)聯(lián)并自動進(jìn)行聚類。試驗表明，引用SOM網(wǎng)絡(luò)對全國農(nóng)業(yè)產(chǎn)業(yè)結(jié)構(gòu)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)。