- 1、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。。
- 2、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
- 4、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
- 5、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
基于Kohonen网络的水质因子聚类分析
周尊隆 孙红文* 胡智涛 高文宝 李涛
(南开大学环境科学与工程学院,天津市 300071)
摘 要 文章介绍了使用Kohonen人工神经网络(SOFM)来分析天津市泰达开发区一生态渠道的水质变化的时空规律和驱动因子。该生态渠道水的来源是污水处理厂的二级出水;该地区特点是原属盐碱地,水中盐度较高。本文首先介绍了Kohonen人工神经网络的基本概念。然后建立Kohonen人工神经网络对包括盐度,溶解氧,磷酸盐,总磷,总氮,pH值,电导率,BOD,COD等理化指标以及叶绿素等生物学指标进行聚类分析。接着明晰了Kohonen人工神经网络中的权重向量在本实例中物理意义,最后文章对影响水质的各个指标从时间维和空间维两个角度进行了聚类分析,揭示了生态渠道中水质变化的时空规律。得到各个类之后,文章对各个类进行了甄别和解析,分析了水质变化的驱动因子。通过对水质指标的聚类分析,为下一步建立SOFM-BP组合人工神经网络建立了良好的基础。
关键词 Kohonen 网络 聚类 水质因子
Kohonen network based clustering water quality factors
Zhou zun-long, Sun hong-wen, Hu zhi-tao, Gao wen-gao, li tao
(College of Environment Science and Engineer, Nankai University, Tianjin 300071 , china)The input data were water quality factors at study sites in a canal in Tianjin TEDA. Through clustering, the network showed a possibility of producing easily comprehensible low dimensional maps under the total configuration of water quality factors in the target canal. Changes in spatio-temporal water quality factors may also be traced through the clustering and recognition process. This work is available for the next step to build the SOFM-BP Model.
Keyword Kohonen network, data clustering,water quality
水生生态系统由于他本身的高度复杂性和非线性,所以其内部的机理没有被完全搞清楚。如果想要以一系列的偏微分方程来准确地描述这个系统,不仅显得非常困难,而且有时候也很不准确[1]。而人工神经网络(ANNs)作为一种非机理性的数据驱动型的模型就比较有优势了。从二十世纪90年代以来, ANNs在水利学,工程水文学,水生生态系统模拟方面的应用日益广泛。ANNs通过建立输入数据和输出响应之间关系对研究问题作出识别,推得预测结论。ANNs是近年来发展起来的模拟高等动物脑部生物过程的具有人工智能的计算机系统。他是一个高度复杂的非线性动力学系统,由大量结构和功能简单的、能够模拟生物神经元的神经元模型构成。所以基本上他们具有类似分类、联想、推理的功能[2]。自然的,这些网络结构能够被有效的应用于理解生命系统,他们的并行处理的特点对于处理生态系统的许多方面都很有用。
但是在作水生生态系统模拟的时候,由于描述水生生态系统的指标很多——有物理化学指标,也有生物指标,更有气象气候指标——所以要对这些指标有个全面的准确地认识,才能顺利的应用ANNs进行模拟预测。
数据聚类分析作为数据挖掘技术的一种可以有效的帮助数据分析人员全面的掌握数据所包含的内在信息和固有结构。自组织特征映射网络(SOFM)在对水生生态系统的数据进行多变量的聚类分析可以将多维的变量强制性的投射在二维或者三维的空间,而保持数据的拓扑特性不改变。这提高了数据的可视化分析能力。
1 Kohonen自组织特征映射网络简介
Kohonen网络是由神经网络专家Kohonen教授在1981年提出的,他又称为自组织特征映射神经网络(SOFM)。这种算法模型能够模拟大脑神经系统的自组织映射的功能,它是一种基于竞争式的学习网络,属于无规则监督、自我学习的特点,他可以在不知道有关输入数据任何信息结构的情况下,学习出输入数据结构的一种能力,它可以将多维的输入变量作用于自组织映射网络上。这种网络可以产
文档评论(0)