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。

基于自组织映射神经网络的淮河流域生态系统服务簇时空变化特征

生态系统服务簇的识别是区域生态系统服务管理与优化的关键。量化了2000、2010、2020年淮河流域产水量(WY),水源涵养(WC),土壤保持(SC),生境质量(HQ),水质净化(WP),净初级生产力(NPP)和碳储量(CS)7种生态系统服务。并基于自组织映射神经网络(SOFM)识别了生态系统服务簇,探讨了生态系统服务簇的时空变化特征。结果表明:(1)2000—2020年,WP,NPP与WC呈上升趋势,WC的增幅最大;CS与HQ呈下降趋势。淮河流域各生态系统服务具有时空异质性,生态系统服务高值区多位于西南部山区与东北部丘陵山地地区。(2)识别了5个生态系统服务簇:核心生态服务簇,WP服务簇,WY服务簇,NPP服务簇与生态过渡服务簇。核心生态服务簇与生态过渡服务簇的面积总体增加,流域西南部山区与东北部丘陵山地地区生态系统服务提升,2000—2020年,WY服务簇与NPP服务簇间的转移面积较大,WY服务簇面积减少达60.09%,NPP服务簇面积显著增加,2020年占整个流域面积的57.02%。研究结果不仅有助于清晰认识淮河流域生态系统服务簇的空间分布格局及动态变化,也为探索淮河流域可持续的生态系统管理与规划决策奠定了基础。

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。

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。

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.

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。

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.

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。

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。

基于自组织特征映射神经网络的边坡稳定性评价

将自组织特征映射神经网络(SOFM)应用于边坡稳定性分析,建立了评价边坡稳定状态的SOFM网络模型,并以工程实例对网络进行了训练和检验,研究结果表明,SOFM网络性能良好、预测精度高、简单易行,是边坡稳定性评价的一种有效方法。

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 。

基于自组织特征映射网络的电能质量综合评估

为支持未来市场的电能质量多级事务和电能质量综合管理,提出了一种基于自组织特征映射(SOFM)网络的电能质量综合评估新方法.文中介绍了SOFM网络的模型和原理,设计了SOFM法综合评估电能质量的模型,并以现有文献中的实例为样本,将该方法与目前几种常用的评估方法进行比较,结果表明文中所提方法适用于电能质量综合评估工作,并具有显著的实用性.

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。

基于自组织特征映射网络的气体识别方法研究

针对气体传感器的交叉敏特性 ,提出将气体传感器阵列与模式识别技术相结合 ,形成人工嗅觉系统 ,用于气体的定性识别和定量检测。利用 6个半导体气体传感器组成阵列 ,并结合自组织特征映射网络模式识别技术准确地识别了CO、H2 、CH4 等三种气体 ,说明人工嗅觉系统能够提高气体传感器的选择性 。

一个基于自组织特征映射网络的混合神经网络结构(英文)

将ICBP网络模型引入BP-SOM(self-organizing feature maps)网络体系结构,并构建了一个基于SOM模型的集成型网络ICBP-SOM.BP-SOM是Ton Weijters提出的一种学习算法,它的目标是克服BP网络在特定类型的学习样本中存在的知识推广性方面的严重缺陷.提出此集成型网络的动机是,利用BP-SOM良好的知识解释能力和ICBP网络良好的推广性和自适应性构造一个ICBP-SOM模型,它具有良好的知识表示能力和极具竞争力的推广性能.在6个基准数据集上的实验结果验证了这一集成型网络的可行性和有效性.

应用自组织特征映射神经网络技术实现分布式入侵检测

文中描述了一种应用自组织特征映射神经网络技术构建的分布式入侵检测系统模型,介绍了自组织特征映射神经网络的学习算法、训练过程以及在线检测流程,具有良好的自组织、自适应的能力,为网络安全运行提供了一种入侵检测手段。

利用自组织特征映射神经网络进行可视化聚类

自组织特征映射作为一种神经网络方法,在数据挖掘、机器学习和模式分类中得到了广泛的应用。它将高维输入空间的数据映射到一个低维、规则的栅格上,从而可以利用可视化技术探测数据的固有特性。该文说明了自组织特征映射神经网络的工作原理和具体实现算法,同时利用一个算例展示了利用自组织特征映射进行聚类时的可视化特性,包括聚类过程的可视化和聚类结果的可视化,这也是自组织特征映射得到广泛应用的原因之一。

自组织特征映射网络在模式分类中的应用研究

为了研究自组织特征映射神经网络在对于二维向量进行模式分类时,网络结构的最优化问题,深入研究了SOFM神经网络的结构和算法,说明了SOFM网络的建立方法。以二维向量的模式分类为例,利用所建立的SOFM网络模型对输入的二维向量模式进行分类,研究了输出层节点形状和拓扑结构对分类结果的影响,测试了在不同的训练步数条件下,SOFM模型的权值向量的调整过程和分类效果。仿真结果表明:当网络的输出节点以二维平面形式输出时,长和宽不相等的矩形图的分类性能明显优于正方形图的分类性能,并且在输出节点形式相同的情况下,六边型拓扑结构分类精度明显优于栅格型拓扑结构的SOFM神经网络。