基于RBPNN海峡西岸经济区港口分类.docVIP

基于RBPNN海峡西岸经济区港口分类 　　摘 要:利用径向基概率神经网络(RBPNN)的统计方法对海西西岸经济区的港口进行规划,该方法结合了概率密度和Bayes最优原则,在分类应用上表现良好。RBPNN动态自学习能力对海峡西岸经济区的分类具有良好的泛化能力,对各港口未来的发展战略具有良好的指导意义。 　　关键词:海峡西岸经济区;概率神经网络;港口分类 　　中图分类号:F22文献标识码:A 文章编号:1672-3198(2010)06-0101-01 　　 　　1 引言 　　海峡西岸经济区须从自身出发,从区域角度进行协调整合,实现海西西岸长期可持续发展、突破海西两岸“东强西弱”的格局,成为名副其实的第四极,并最终构建海西经济区的重要基础。本文以相关因素为基,兼顾时间因素,通过径向基概率神经网络(RBPNN)这种非聚类的方法对海峡西岸经济的港口进行分类,并探讨各类港口的发展策略。RBPNN在分类上表现出了良好的特性,不论分类问题多复杂,只要有足够多训练数据,可保证获贝叶斯准则下最优解。 　　2 海峡西岸经济区港口分类的必要性 　　海峡西岸经济区深水港资源丰富,但缺乏统一规划,港口的建设和发展缓慢,滞后于其他三个经济区域。区域内部各省市缺乏一体化思想,地方政府自我保护严重,港口无序开发和重复建设的情况严重。这样既不利于市场经济条件下的有序分工和合理竞争,也不利于推动海峡西岸经济区的一体化规划。海峡西岸经济区的港口总量小,码头靠泊能力低,缺乏中心大港,信息化水平低,难以承接世界大型船舶,很多港口仅能满足沿海和近海运输。这样的港口状况制约了港口集约化发展,弱化竞争力。使得海西的人才、资源、资本被南北两大经济区吸引,造成本区域“边缘化”。海峡西岸经济区港口资源丰富,但海陆交通衔接欠佳,陆路交通已经直接制约了沿海港口城市的发展。海峡西岸经济区概念的提出使其在政策上有了恰当的位置,扩展了发展空间。要使该区域成为第四大经济区,快速发展,须弱化自身劣势,从发展港口经济,整合港口资源、规划港区的角度出发,构建海西经济区。港口规划是一长期项目,须从各个方面考虑规划内容和实施监督过程。港口分类是进行港口规划的前提,只有明确各港口在区域内的地位及功能,才能对其提出合理的并且是可行的规划方案。 　　3 径向基概率神经网络(RBPNN)的原理及结构 　　3.1 RBPNN的模型原理 　　RBPNN即为概率神经网络是基于前向径向基函数神经网络(RBF)并吸收RBF神经网络优点发展而来,适用于解决分类问题。它是利用样本的先验概率-Bayes定律和最小风险的Bayes决策规则对样本进行分类。无需训练样本的连接权值,由给定的训练样本直接构成隐藏层,不易陷入局部最小,是完全前向型的,训练速度更快,时间更短。RBPNN处理分类问题不仅表现出优越性,且方法易理解,求解方便,特别是应用MATLAB工具箱中强大的神经网络工具,可实现性更强。RBPNN具有强大的自组织学习功能,容许错误样本,适用于不足样本的情况。 　　3.2 RBPNN的结构 　　概率神经网络由输入层、模式层、求和层、输出层共4层组成。输入层将特征函数向量传递给网络;模式层计算输入层与训练集中各模式的匹配关系,以其距离送入高斯激活函数得到模式层的输出;模式层到求和层以等权连接来确定匹配概率;求和层的输出与各类基于内核的概率密度函数的估计成比例,通过输出层的出来,便得到各类的概率估计。具体结构及模式层、求和层和输出层的公式如图: 　　图1 RBPNN的网络结构图中输入层以N维向量x为输入向量;模式层采用RBFNN的模式层即有H个模式层单元(2?H?G,G为训练集样本数;H个样本可分为M个互不相交的类别,Hj为第j类的训练样本结点数,其中H=Hl+HZ+…+HM)。模式层激活函数选择gi(x)=exp[-(x-u?ij?)T(x-u?ij?)2σ2]其中u?ij?和σi为模式层第i个结点的中心向量和平滑因子;求和层用PNN的求和层,按类别进行有选择的求和连接Gj(x)=∑?ieH1?π(λ?ij?)gi(x)=∑?ieH1?π(λ?ij?)exp[-(x-u?ij?)T(x-u?ij?)2σ2]。其中π(λ?ij?)表示第i个观测值属于第j类且以π(λ?ij?)的概率产生。线性层采用RBFNN的线性层,作为网络的输出y=∑Mj=1wjGi(x)其中wj为线性层第j个结点的连接权值。 　　4 基于RBPNN的海西西岸港口分类模型 　　4.1 不同类别代表样本的选取 　　港口分类这种只存在定性分类标准的类别划分问题,代表样本的选取非常必要。代表样本是指在训练样本集中能够体现同一类别样本共同特征的典型样本,要具有广泛可接受和被认同性。据《中华人民共和国港口法》为港口的分类提供的弹性标准