基于PCA和SOM模型的龙感湖水质时空动态研究

为评估湖泊渔业模式转型阶段水环境的时空动态,选择长江中下游典型湖泊龙感湖为研究地点,于2017—2018年对该湖的黄梅水域和宿松水域进行周年季度水质监测,通过主成分分析(PCA)和自组织特征映射人工神经网络(SOM)模型定量分析了水体理化参数的时空变化特征,采用综合营养状态指数法(TLI)对水体富营养化状况进行了评价。PCA分析结果表明,龙感湖宿松水域和黄梅水域的水质差异较小,季节动态明显。全湖氨氮夏季平均浓度高达0.64 mg/L;总氮夏季平均浓度为2.30 mg/L,冬季平均浓度为1.04 mg/L;叶绿素a夏季平均含量达95.28μg/L,秋季平均浓度为28.30μg/L;pH夏季最高,达9.27;总磷冬季最高,平均为0.22 mg/L;TLI指数表明龙感湖除秋季属于轻度富营养水体外,其他3个季节均属于中度富营养状态。SOM模型结果具有可视化强的优点,能够更清晰和直观地反映龙感湖水质的时空分布动态。围栏拆除和禁渔等管理措施有助于湖泊渔业环境修复和资源恢复,建议对渔业模式转型后的湖泊生态系统变化进行长期跟踪监测评估。

基于PCA-SOM的北京市平谷区地下水污染溯源

为了解北京市平谷区地下水污染物来源,以平谷区2010—2018年监测数据为基础,使用PCA(主成分分析法)识别了地下水水质指标因子,使用自组织映射识别了污染物的空间分布.结果表明:通过监测指标间的Pearson检验发现,平谷区地下水电导率与ρ(Ca^2+)(p=0.936)、总碱度与ρ(HCO3^2-)(p=0.981)、ρ(Mg^2+)与总硬度(p=0.944)指标之间显著相关.地下水化学类型主要以HCO^3-Ca型为主,其次为HCO^3-Mg型.NH4^+、SO4^2-、Cd、Fe(Ⅱ)、NO2指标空间分布离散性和差异性较大,存在局部富集现象.通过因子分析法筛选出影响平谷区地下水水质的8个公因子,首要影响因子为溶滤-富集作用(贡献率为22.398%),次要影响因子为农业、养殖业和填埋场等人为活动作用(贡献率为16.533%),雨水下渗作用(贡献率为8.035%)、工业源人为活动(贡献率为7.466%)对地下水也有一定影响.通过比较各指标的SOM(Self-Organizing Map,自组织映射)特征图像和监测井映射特征图像,发现NH4^+受山前地带林业、种植业和平原地带农业、养殖业的双重影响,Na^+、Mn受平原地带人为活动的影响;同时,NH4^+、NO3^-、NO2三者之间及Fe(Ⅱ)与Fe(Ⅲ)之间来源不同,Cd、Al、氰化物三者具有同一来源.研究显示,PCA-SOM(PCA与SOM相结合)可以对地下水化学组分来源进行定性识别与定量分析.

树聚类方法在文档图像检索中的应用

本文介绍了在数字图书馆的文档图像检索中,应用自组织映射方法,用XY树表示页面,实现页面聚类的方法。根据所建立的页面聚类,结合PCA方法,可以实现实例查询的高效检索。对数字图书馆的建设有着一定的参考意义。

基于PCA和SOM网络的洪泽湖水质时空变化特征分析

2010年分4个季度对洪泽湖全湖20个样点的水质理化特征进行了定期监测,采用修正的卡尔森营养状态指数法(TSIm)综合评价了洪泽湖水质的营养状况,同时应用主成分分析(PCA)和自组织特征映射网络(SOM网络)分析了洪泽湖水质的时空变化特征。结果显示:除了水深(WD)和透明度(SD),洪泽湖的pH、EC、NH+4-N、TN、TP、和CODMn等水质参数季节差异显著。TSIm综合评价结果表明洪泽湖4个季节的水质均呈富营养化状态,夏季富营养化程度最严重。PCA分析表明洪泽湖水质主要受离子和氮盐的控制,磷不是控制洪泽湖水质的最主要因素。SOM网络将全湖20个样点聚为G1、G2和G3三类,G1代表洪泽湖相对封闭的北部区域,有沉水植被分布,水质主要受围网养殖污染的影响;G2代表洪泽湖东部和南部区域,航运繁忙,直接承接淮河入湖河水,水质主要受淮河入湖河水和航运的影响;G3代表洪泽湖西部水域,沿岸密布养殖池塘且人口密度大,水质主要受养殖废水和城镇生活污水的影响。研究认为,控制外源污染和恢复沉水植被是防治洪泽湖富营养化的有效途径。

RSOM算法及其应用研究

神经网络以其优越的非线性拟合能力和强大的自组织模式分类能力已被用于许多模式识别问题,并取得了很好结果.但是对于大样本集分类和复杂模式识别问题,大多数常规神经网络在决定网络结构与规模、设计自学习算法和应付庞大的计算量等方面存在诸多困难.为了克服这些困难,在Kohonen自组织映射模型(SOM)的基础上,提出了两种基于类别可分性判据RSOM分类树:非结构自适应的RSOM Ⅰ分类树与基于奇异值分解方法的结构自适应RSOM Ⅱ分类树,这两种分类树的每个节点由拓扑有序的自组织映射网络组成.RSOM分类树的优点在于处理大样本集和复杂模式的识别问题时能够自适应地确定网络的结构和规模,最后的数据试验就是很好的佐证.