基于SFAM神经网络集成的土地评价.pdfVIP

第24卷第3期 农业工程学报 Vr01．24No．3 184 2008年3月 TransactionsoftheCSAE Mar．2008 基于SFAM神经网络集成的土地评价 薛月菊1，胡月明2※，杨敬锋1，陈强1 (1．华南农业大学南方农业机械与装备关键技术省部共建教育部重点实验室，广州510642； 2．华南农业大学信息学院，广州510642) 摘要：SFAM(SimplifiedFuzzy 射等特点，是一种较BP神经网络和RBF神经网络等前馈神经网络更优秀的自组织神经网络。为克服SFAM神经网络受 输入样本顺序的影响，提高土地评价的精度，提出利用SFAM神经网络集成进行土地评价的方法。并用SFAM神经网络、 地进行了评价，对评价结果进行了分析和比较，结果表明SFAM神经网络具有比BP神经网络和RBF神经网络更优越的 评价性能；对于这三种不同的神经网络，神经网络集成的土壤评价精度分别高于单个神经网络的精度。 关键词：土地评价；神经网络集成；SFAM神经网络；BP神经网络；RBF神经网络 中图分类号：TPl83；$29 文献标识码：A 文章编号：1002—6819(2008)-3-0184-05 evaluationbasedOn Xue a1．Land SFAMneuralnetwork ofthe Yueju,HuYueming，YangJingfeng，et Chinesewith abstract) CSAE，2008，24(3)：184--188．(inEnglish 前馈神经网络更优秀的自组织神经网络【4】。SFAM 0引言 (SimplifiedFuzzy 土地评价是土地管理和土地利用规划的重要的前提 步骤。如何对土地进行科学、准确地评价，长期以来， 不牺牲模糊ARTMAP神经网络性能的同时，提高了网络 一直是土壤资源管理的重点和热点。为了更好地为土地 训练速度，且使网络更易于理解【5】。然而，SFAM神经网 利用与规划服务，突破传统的土地评价方法中受人为因 络的性能受初始化时形成的各类原型的影响，即受训练 素的限制，探讨更加科学的土地评价方法，一些利用神 样本输入顺序的影响【6】，给该网络的应用带来了一定的局 经网络研究土地评价的方法被相继提出【l-3】。 限。 目前的各种神经网络模型都存在一定的缺陷，如前 神经网络集成通过对同一个问题训练多个神经网络 向BP和RBF神经网络难以确定隐含层神经元个数，训 并将其结果进行合成，神经网络的泛化能力显著得到提 练时间长， 容易陷入局部极小，不具备在线学习能力； 高，其理论研究和应用成为机器学习和许多应用领域的 联想存储网络容量小，所存储的信息会发生相互干扰和 研究热点【7，8】。如DavidWest等人将神经网络集成应用到 退化现象等。模糊ARTMAP神经网络，以自适应谐振理 金融决策中【9】，沈掌泉等人应用集成BP神经网络进行了 Resonance 论(Adaptive Theory，ART)为基础模仿人的 田间土壤空间变异研究[10】。但是，将神经网络集成应用 认知过程和智能处理行为，具有自组织反馈、增量式学 于土地评价的研究未见公开报道。 习、高度复杂映射等特点。它的记忆容量可随学习模式