基于SOM网络城市分类探讨及实证分析.docVIP

基于SOM网络城市分类探讨及实证分析 　　摘要：科学的城市分类不仅便于我们对各个城市的发展进行评估，并且为我们制定城市的发展决策提供了依据。而基于人工神经网络（ANN）的自组织特征映射网络（SOM）具有强大的聚类功能。文章探讨了SOM网络在城市分类方面的应用，并利用MATLAB软件，对山东省各地级市城市进行了实证分析，从而指出了SOM网络在城市分类方面的优缺点及意义。 　　关键词：人工神经网络；SOM；城市分类 　　 　　一、引言 　　城市分类不仅便于我们对各个城市的发展进行评估，并且为我们制定城市的发展决策提供了依据。然而，如何能够进行科学的城市分类一直备受关注。而基于近些年来人工神经网络的飞速发展，它帮助我们解决了许多棘手的难题，其中的自组织特征映射网络（SOM）具有强大的聚类功能，利用它可以帮助我们根据各个城市的特点从而进行科学分类，为加速我国城市的发展和城镇化建设有着重要的意义。2005年吴聘奇、黄民生利用SOM网络对福建省城市进行了职能分类，同年，刘耀彬、宋学锋又基于SOM人工神经网络对长江三角洲地区城市职能分类做了研究。从而可见，基于人工神经网络的自组织特征映射网络（SOM）在城市的分类问题确实可以发挥强大的作用。 　　评价一个城市的各个行业的发展，有许多指标。其中行业就业人口是评价一个城市该行业的发展的基础指标。本文对山东地区城市的分类实证分析中，对各个城市的各行业就业人口数量进行了采集，其中包括农林牧渔业，采矿业，制造业，电力、煤气及水的生产和供应业，建筑业，交通运输、仓储和邮政业，信息传输、计算机服务和软件业，批发和零售业，房地产业，住宿和餐饮业，金融业，租赁和商务服务业，水利、环境和公共设施管理业，居民服务和其他服务业，教育，科学研究、技术服务和地质勘查业，卫生、社会保障和社会福利业，文化、体育和娱乐业，公共管理和社会组织等19个行业的从业人员数。然后，通过MATLAB软件进行编程构建，成功地将山东省的17个城市进行了分类，从而说明了SOM网络在城市分类方面的确有优于其他传统方法的优点。 　　二、SOM网络的基本原理 　　（一）SOM网络简介 　　自组织特征映射网络也称Kohonen 网络，或者称为Self - Orgnizing Feature Map（ SOM） 网络，它是由芬兰学者Teuvo Kohonen于1981年提出的。该网络是一个由全连接的神经元阵列组成的无教师自组织、自学习网络。Kohonen认为，处于空间中不同区域的神经元有不同的分工，当一个神经网络接受外界输入模式时，将会分成不同的反应区域，各区域对输入模式具有不同的响应特征。 　　SOM网络的一个典型特征就是可以在一维或二维的处理单元阵列上，形成输入信号的特征拓扑分布，因此SOM网络具有抽取输入信号模式特征的能力。SOM网络一般只包含有一维阵列和二维阵列，但也可以推广到多维处理单元阵列中去。 　　（二）SOM网络学习算法 　　1、初始化。对N个输入神经元到输出神经元的连接权值赋予较小的权值。选取输出神经元j个“邻接神经元”的集合Sj。其中Sj(0)，表示时刻t=0的神经元j的“邻接神经元”的集合，Sj(t)表示时刻t的“邻接神经元”的集合。区域Sj(t)随着时间的增长而不断缩小。 　　2、提供新的输入模式X。 　　4、给出一个周围的邻域Sk(t)。 　　7、提供新的学习样本来重复上述学习过程。 　　三、基于SOM网络的城市分类实证分析 　　城市分类可以便于我们了解各个城市的发展状况，从而为我们制订城市的发展决策提供依据。现在人工神经网络已经得到了很大的发展，它为我们研究此类问题提供了一种新的工具和思路。所以基于这个问题，我们尝试利用SOM网络来进行城市分类。SOM网络是一种具有聚类功能的神经网络，并且它是无教师训练方式，我们只需要采集输入样本，而不必如入目标值就可以得到我们想要的结果，可见SOM网络使用也十分方便。 　　（一）网络样本设计 　　从山东省统计局网站，我们得到了山东省17个地级市城市的样本。从中我们看出，原始指标数据波动较大，而一般来说，神经元的输出函数在0-1之间最为灵敏，为了提高训练的效率，所以要把数据进行归一化处理。归一化处理方法为：找出每个指标数据中的最大和最小值，利用（x-min）/（max-min）公式把所有数据归一化为0到1之间的数。 　　（二）网络设计 　　本文利用MATLAB R2008进行编程构建。确定网络的输入模式为： 　　Pk=(P1k,P2k,…pkn) ，k=1,2,…17,n=19 　　即一共有17组城市样本向量，每个样本中包括19个元素。 　　1、首先利用函数newsom创建一个SOM网络。根据实际情况本文创建网络的竞争层分别选用3、4、5、6