基于自组织特征映射模型(SOFM)网络的中国自然资源生态安全区划

自然资源生态安全是国家安全的重要组成部分,自然资源生态安全区划对保障区域可持续发展提供了重要途径。基于自然资源数据、生态环境数据和相关区划资料,从生态敏感性与生态服务重要性角度构建了自然资源生态安全评价指标体系,进而揭示了中国自然资源生态安全的空间格局;通过建立区划的原则和指标,按照一级区主要反映自然资源空间分布格局,二级区主要揭示自然资源生态安全水平的差异,采用SOFM网络制订了中国自然资源生态安全区划方案。结果显示:(1)中国自然资源生态安全水平整体偏低,以中警与重警状态区域为主,安全和较安全状态的区域仅占24.22%,其中低安全等级区多分布于400mm等降水量线以西的干旱、半干旱区,高安全等级区则集中分布于水热资源与生物资源较为丰富的东南部地区;(2)中国自然资源生态安全区划方案包括8个一级区与27个二级区,总结归纳各大区自然资源的特征和威胁生态安全的问题,并针对二级区自然资源生态安全状况提出了对策建议。研究结果可为分区、分类推进全国自然资源可持续利用和国土空间优化提供理论支持与决策依据。

青藏高原及周边地区极端降水天气事件及其基于自组织特征映射方法的天气背景分型

利用2008—2014年中国自动站与CMORPH降水产品融合资料和NCEP再分析资料,基于自组织特征映射方法对青藏高原及周边地区的6 h极端降水天气进行了统计分析。发现6 h极端降水的高值和高频次主要分布在青藏高原西南部和东南部,以及东南侧的四川盆地和南侧沿喜马拉雅山至横断山脉一带。6 h极端降水在高原西南部多发生在14时(北京时,下同),在东南部多发生在20时,而在四川盆地和南侧主要发生在08时。采用自组织特征映射方法将2008—2014年高原及周边地区6 h分辨率的天气背景分为5类,类型I至类型V体现了从夏季—春秋—冬季的渐变,6 h极端降水天气事件发生比率依类递减。高原上总的极端降水主要来自类型I的高原极端降水,类型II及以下的高原极端降水落区逐类缩减并趋于沿冈底斯山零散分布。对比各类型的天气背景发现,高原上类型II及以下的动力强迫较类型I逐渐增强,但是暖心、湿度和对流有效位能等有利热力条件却依类明显缩减,使得高原极端降水落区依类迅速缩减。有利热力条件的分布与大范围极端降水的落区有很好的对应关系,热力条件减弱后,动力条件的增强及其与高原复杂地形的相互作用是导致零散极端降水的重要原因。四川盆地和高原南侧的对流有效位能明显高于高原内,高原在周边的强迫抬升易于触发对流不稳定,释放较高的对流有效位能,形成较强和较频繁的极端降水天气事件。

量子自组织特征映射神经网络

自组织特征映射是典型的无监督神经网络算法。它运用竞争学习策略实现数据分类。然而当网络中神经元个数为多项式时,自组织特征映射算法训练容易受到计算力挑战。为了降低算法训练的时间复杂度,本文提出了一个量子经典混合的自组织特征映射神经网络算法,利用量子叠加性和量子纠缠性对经典算法进行加速。在神经网络训练过程中,算法利用量子相位估计和Grover搜索算法并行实现相似度计算和标签提取。理论分析表明,本文提出的量子算法相比于经典算法在数据维度上具有指数加速。

基于自组织特征映射的隶属函数生成法

基于神经域中的特征自组织映射机理，本文提出了一种采用Ｋｏｈｏｎｅｎ自组织特征映射网络、概率分布核估计和概率可能性一致性变换的隶属函数生成新方法。从而克服了常规隶属函数生成方法在选择论域大小及表达隶属度分布等方面的一些不合理性。这一新方法已成功地应用于雷达目标自动分类。

自组织特征映射网络在北京松山自然保护区山地草甸数量分析中的应用

采用自组织特征映射网络(SOM)对松山自然保护区山地草甸群落进行了数量分类研究,并用Kruskal-Wallis检验和Tukey多重比较方法分析了草甸类型的环境因子之间差异的显著性。结合完全连接法和SOM,将松山自然保护区的山地草甸群落分为7个类型,其群落结构、物种组成等特征明显。这7个山地草甸群落主要受海拔高度、坡度、枯枝落叶层厚度和土壤深度等环境因子的影响,其差异极显著。生态学分析表明SOM是非常有效的植物群落分类方法,适合于山地草甸植被的研究。

宝华玉兰生存群落的自组织特征映射网络排序与分类

为了解国家Ⅱ级保护植物宝华玉兰Magnolia zenii的种群分布规律及其濒危原因,进一步揭示宝华玉兰野生种群与群落及环境之间的生态关系,应用自组织特征映射网络(SOM)对宝华玉兰生存群落进行了排序和分类,以期为保护和管理宝华玉兰种群野生种质资源提供理论依据和新的方法。结果如下:①群落结构分析表明,宝华玉兰天然更新缺乏,且紫楠Phoebe sheareri,建始槭Acer henryi等优势种占据了主要生存空间与资源,影响了宝华玉兰种群增长和发展,使其在群落中处于不稳定地位;②SOM将40个样方进行聚类分析,得到7个群落类型。不同群落类型之间的物种组成存在差异,界限清晰,排序结果与优势种实际分布情况吻合,说明SOM的分类结果具有合理性;③环境因子可视化分析揭示了宝华玉兰分布于坡度较缓的半阳坡,种群分布主要受到坡向和坡度2个环境因子的影响,由于宝华玉兰自身生长过程中对环境要求的特殊性和不适应性,造成了其濒危现状;④SOM具有高度非线性拟合的特点,且能够同时进行排序和分类,并将分类结果可视化,呈现样方之间的相似性,说明SOM应用于群落分类和排序,反映种群与群落及环境之间的生态关系是合适的。

庞泉沟自然保护区华北落叶松林的自组织特征映射网络分类与排序

自组织特征映射网络(SOM)是新近引入植物生态学的分析方法,对复杂问题和非线性问题具有较强的分析和求解能力。研究应用SOM分类和排序研究了庞泉沟自然保护区华北落叶松林。研究结果表明,SOM将120个样方分为7个植物群落类型,分类结果具有明确的生态意义;样方和物种在SOM训练图上呈现一定规律的分布;7个群落类型各有其分布范围和界限,揭示了群落间的生态关系。在此基础上,通过引入一种在SOM训练图上可视化环境因子梯度的方法,能够较好地完成样方、物种和环境因子相互关系的分析,揭示了海拔是影响该区华北落叶松林生长和分布的最主要因子。生态分析表明SOM分类和排序是一种有效的梯度分析方法,适用于表征生态特征和探索群落和环境相互关系的研究。

基于自组织特征映射网络的全国地级市城市地价区域分类研究

地级市是我国经济发展相对迅速的区域,也是土地供应重组、交易活跃的重点区域。以2005年我国土地出让面积、土地平均价格、地区生产总值、地区生产总值增长率和固定资产投资等5个变量作为聚类指标,构建自组织特征映射(SOFM)人工神经网络模型,将我国282个地级市分为高地价发达区、低地价发达区、高地价欠发达区和低地价欠发达区共4个类型区域,并对每个类型区的土地价格和社会经济发展状况做出分析讨论。SOFM模型聚类结果与客观实际较为吻合,效果良好。结果表明,自组织特征映射网络对于地级市土地地价的区域差异具有良好的表征能力。

自组织特征映射网络在芦芽山自然保护区青杄林分类和排序中的应用

采用自组织特征映射网络(SOM)对芦芽山自然保护区青杄林进行数量分类和排序。结果表明:SOM将60个森林样地划分为8个群落类型,各类型在排序图上都有其分布范围和界限,且群落结构、物种组成差异明显,说明分类和排序结果合理,可较好地揭示群落间的生态关系;通过环境因子梯度的可视化方法,确定海拔、坡位和坡度是影响该地区青杄林生长和分布的主要因子,揭示群落、物种及植被分布和环境因子的关系。结果表明SOM网络适用于表征群落生态特征及探索群落和环境相互关系的研究,将其应用于自然保护方面,将有利于对不同植被类型进行分类和管理。

自组织特征映射神经网络原理和应用研究

根据耕地利用在经济、社会和生态方面面临的压力状况,以压力状态响应框架为基础,设计一套压力大小量化的指标体系,引入具有较强的聚类和容错能力的自组织特征映射(self-organizing mapping,SOM)神经网络模型,在说明SOM网络模型和算法的基础上,应用SOM的聚类功能,以MATLAB语言构建SOM网络模型,对我国的31省市自治区耕地利用压力大小进行了分类,并结合相关文献的研究成果阐述耕地压力的地域差异原因.结果显示我国耕地压力的区域差异与经济地域差异有高度的一致性,表明经济发展是耕地压力的主要来源.选取大样本的神经网络训练得到的结果和现实的一致也表明,SOM模型是一种适用的耕地压力区域分类新方法.

基于自组织特征映射的网页分类研究

本文提出了一种 SOFM(自组织特征映射 )与 L VQ(学习矢量量化 )相结合的分类算法 ,利用一种新的网页表示方法 ,形成特征向量并应用于网页分类中 .该方法充分利用了 SOFM自组织的特点 ,同时又利用 L VQ解决聚类中测试样本的交迭问题 .实验表明它不仅具有较高的训练效率 。

图像矢量量化──频率敏感自组织特征映射算法

用神经网络实现图像矢量量化是一种非常有效的方法。本文在分析自组织特征映射（ＳＯＦＭ）算法的基础上，提出了一种频率敏感自组织特征映射（ＦＳＯＦＭ）算法，并对网络学习训练参数的优化进行了探讨。实验表明，ＦＳＯＦＭ算法优于ＳＯＦＭ算法。

基于粒子群优化的自组织特征映射神经网络及应用

采用粒子群优化(PSO)算法优化权重失真指数(LW D I),提出了基于粒子群优化的SOM(PSO-SOM)训练算法.用该算法取代K ohonen提出的启发式训练算法,同时引进核函数,以加强PSO-SOM算法的非线性聚类能力.以某工厂丙烯腈反应器数据为聚类应用研究对象,研究结果表明,与启发式训练算法相比,PSO-SOM算法能够得到较优的聚类,而且该算法实现简单、便于工程应用,对丙烯腈反应器参数调整以及收率监测具有显著的指导作用.

自组织特征映射神经网络在测井岩性识别中的应用

为了解决测井岩性识别问题,引入具有较强的聚类和容错能力的自组织特征映射(SOFM)神经网络.在说明SOFM网络的模型和算法的基础上,结合某地的实际测井资料,建立SOFM网络岩性识别模型,进行岩性识别的应用研究.结果表明,识别的准确率较高,证明SOFM网络可以用于解决测井岩性识别问题,具有很好的应用前景.

基于自组织特征映射网络-随机森林模型的滑坡易发性评价——以江西大余县为例

为深入探讨评价单元和非滑坡样本选取对滑坡易发性预测的影响,构建了一种基于自组织特征映射网络-随机森林模型的滑坡易发性评价模型。该模型针对栅格单元和斜坡单元在滑坡易发性评价中的不足,结合栅格单元和斜坡单元的相互关系,提出了滑坡易发性指数的优化计算方法。在此基础上,基于随机森林Tree Bagger分类器构建滑坡易发性评价模型,通过对比分析自组织特征映射网络和随机方法选取非滑坡样本对评价结果的影响,探讨自组织特征映射网络、随机森林和自组织特征映射网络-随机森林三种评价模型的有效性;将评价模型应用于大余县滑坡易发性评价。结果显示,随机森林模型和自组织特征映射网络-随机森林模型的预测精度较高,分别达到91.19%和94.94%,成功率曲线的AUC值分别为0.822和0.849,表明自组织特征映射网络-随机森林模型具有更高的预测率和成功率,自组织特征映射网络聚类的预测精度虽然有限,但作为非滑坡样本的选择方法,能够有效提高随机森林模型的评价精度。

一种量子自组织特征映射网络模型及聚类算法

提出一种量子自组织特征映射网络模型及聚类算法。量子神经元的输入和权值均为量子比特,输出为实数,量子自组织特征映射网络由输入层和竞争层组成。首先将聚类样本转换成量子态形式并提交给输入层,完成聚类样本的输入;然后计算样本量子态与相应权值量子态的相似系数,提取聚类样本所隐含的模式特征,并对其进行自组织,在竞争层将聚类结果表现出来。采用量子门更新量子权值,分无监督和有监督两个阶段完成网络的训练。仿真实验结果表明该模型及算法明显优于普通自组织特征映射网络。

基于遗传算法和自组织特征映射网络的文本聚类方法

自组织映射(SOM)算法作为一种聚类和高维可视化的无监督学习算法,为进行中文Web文档聚类提供了有力的手段。但是SOM算法天然存在着对网络初始权值敏感的缺陷,从而影响聚类质量。为此,引进遗传算法对SOM网络加以优化。提出了以遗传算法优化SOM网络的文本聚类算法(GSTCA);进行了对比实验,实验表明,改进后的算法GSTCA比SOM算法在Web中文文档聚类中具有更高的准确率,其F-measure值平均提高了14%,同时,实验还表明,GSTCA算法对网络初始权值是不敏感的,从而提高了算法的稳定性。

一种改进的等误差自组织特征映射矢量量化算法

为了改善矢量量化的码书性能和提高神经网络的学习效率,在分析等误差自组织特征映射算法(equidistortion self-organizing feature mapping,EDSOFM)的基础上,提出了一种改进算法。改进算法将模糊神经网的隶属度函数引入到竞争学习算法中,有效地提高了学习收敛速度。针对原算法搜索获胜码字时计算量较大的问题,改进算法通过不等式判决的方法,快速排除了大量的不匹配码字。实验结果表明,改进算法使码书设计的计算量得到明显的减少,而且码书的性能得到了提高。

自组织特征映射网络的改进及在储层预测中的应用

自组织特征映射网络（SOM）虽然具有自组织、自学习和侧向联想能力，但在实际应用中仍存在一些缺陷。如网络在学习时收敛速度较慢，不同的初始条件和样本输入顺序对网络的学习过程和学习结果都很敏感，网络在无监督学习时不能充分利用可靠的先验知识。为此，本文对SOM算法进行了多项改进，主要有：①在网络初始化时将已知样本矢量作为典型样本，再对特定的输出节点的权向量进行初始化，然后对每次迭代后的网络进行非强制性的修正，从而提高了分类精度；②采用自适应方法调节学习速率，加快了网络的力J练速度；③给出判断迭代是否收敛的准则，提高了运算速度；④以输出层各书点权向量之间的欧氏距离为依据对每个输出节点的类别号进行重排，实现了对样本的有序分类。本文应用这种改进的SOM算法，对准噶尔盆地东部地区的一条穿越3口探井的地震剖面进行了储层预测，获得了良好的效果。

基于Kohonen自组织特征映射神经元网络图像分割方法的研究

传统图像分割技术对森林火灾图像分割效果不太理想 ,无法模仿人对颜色的主观判断 ,因此很难提取森林火灾图像的火焰区域 ,而Kohonen自组织特征映射神经元网络在这一方面表现出极大的灵活性和自适应性 ,能够模拟人的思维活动。本文利用Kohonen神经元网络自动对森林火灾图像分割和分类 ,获得卓有成效的效果 。