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。

基于遗传算法优化的SOFM神经网络生成测试数据集的方法

智能算法正成为软件测试领域新兴研究方向,运用智能算法生成复杂软件的测试数据已成为一种广受推崇的方法。采用基于遗传算法的技术生成测试数据,能够生成满足测试覆盖要求的少量测试数据。然而,对于生成大量测试数据集的情况来说,该方法并不适用。为了能够快速生成满足测试覆盖要求的数据集,提出一种基于遗传算法优化的自组织特征映射(SOFM)神经网络生成测试数据集的方法:首先,利用遗传算法的全局搜索能力,从海量数据中筛选出少量满足测试覆盖要求的代表性数据。接着,以这些遗传算法生成的测试数据为基础,结合SOFM神经网络强大的侧向联想能力,旨在生成大量满足测试覆盖要求的测试数据集。实验结果表明,该方法有效提高了测试数据集生成的效率。

基于SOFM神经网络的水源热泵故障诊断方法研究

本研究针对水源热泵机组常见的6种热力故障,尝试使用SOFM神经网络进行故障诊断。利用水源热泵机组试验台人为制造制冷剂充注量过多、制冷剂泄漏、膨胀阀开度过大与过小、冷却水管路阻塞、系统含不凝性气体共计6种热力故障,记录机组带故障运行时的运行参数,将收集到的参数进行归纳整理,提取出部分特征值制作成数据集。将数据集划分为训练集合与测试集合,前者用于神经网络的训练,后者用于验证神经网络故障的诊断效果。结果表明,SOFM神经网络对于本次实验人为制造出的6种水源热泵热力故障具有较高的诊断正确率,网络迭代500次,用时2.7 s,在有效诊断的同时具有较快的响应速度。

基于SOFM方法的安徽省矿产资源开发主体功能区划研究

文章选择安徽省主要的矿产资源分布区,构建矿产资源开发功能区划指标体系,并通过自组织特征映射(self-organizing feature map,SOFM)网络方法对指标数据进行聚类,根据各聚类结果的区域特征,对安徽省矿产资源开发功能区进行研究。结果表明:安徽省矿产资源分布显著集中,矿产资源富集区主要分布在皖江及皖北地区;安徽省整体生态环境较好,研究区内80.77%的县区生态环境适宜进行适度开发;矿产资源较丰富的县区内生态环境适宜开发,而生态环境指数较高的县区矿产资源匮乏,表明安徽省矿产资源开发与生态保护不存在根本冲突。研究结果解释了安徽省矿产资源空间分布规律,可为分区制定差别化管理政策提供理论依据,对安徽省矿产资源可持续发展规划有一定的参考价值。

基于SOFM模型的山区土地类型划分研究--以阜平县为例

山区土地与平原土地在地形地貌等自然要素上存在明显差异,从而导致山区土地类型的划分有很大的特殊性。为了充分体现山区县域尺度自然要素差异,为山区县域尺度土地类型划分提供新方法、新思路,选取太行山典型地区阜平县作为研究区,选取气候、地形、土壤、植被因素,通过SOFM模型及传统土地类型划分方法,对山区县域尺度土地类型进行划分。结果表明:(1)将SOFM模型(自组织特征映射)与传统的土地类型划分方法相结合,对阜平县土地类型进行了三级划分,其中一级类7个,二级类47个,三级类81个;(2)通过对比验证,该方法与传统分类方法存在一致性。基于SOFM模型的土地类型划分方法对山区县域尺度进行土地类型划分,可充分反映山区县域尺度土地分异规律,比传统方法相更加精确。

基于SOFM神经网络的京津冀地区水源涵养功能分区

为探讨水源涵养功能空间分异在水资源分区管理方面的应用,以京津冀地区为研究区,根据水源涵养功能的5个主要影响要素——海拔、降水量、蒸散量、土壤饱和含水率、森林覆盖度,构建SOFM(self-organizing feature map,自组织特征映射)神经网络,并对该区水源涵养功能进行区域划分.结果表明:京津冀地区可划分为6个水源涵养功能区域,分别为冀西北高原-间山盆地草原水源涵养中能力区、坝上高原-冀北山地草原-森林水源涵养中低能力区、燕山-太行山中低山森林-草原水源涵养中高能力区、冀中南部平原农田水源涵养低能力区、燕山-太行山低山森林水源涵养中高能力区和冀东平原农田-草原水源涵养高能力区.方差分析结果显示,各分区之间具有显著差异,表明用SOFM神经网络对水源涵养功能进行分区效果良好.在水源涵养功能分区基础上,归纳和总结了各分区水源涵养功能影响要素的主要特征.京津冀地区作为一个统一的水资源生态环境区,其内部的水源涵养功能存在明显的区域差异,建议依据各分区水源涵养功能的强弱及其主要控制因子特征,科学制订适应当地自然环境的水资源管理方案.

基于SOFM网络的中国耕地压力综合分区

从资源禀赋和资源需求的角度,综合考虑粮食安全、建设占用、生态退耕和农业结构调整等对耕地资源的压力,建立了一套耕地资源压力评价指标体系,将归一化的指标数据经过因子分析处理后,基于SOFM人工神经网络模型进行无监督分类,以此为主要依据进行中国耕地压力综合分区。结果表明,中国耕地利用压力在空间上总体表现为东、中、西的区域差异,在SOFM网络分类的基础上,综合考虑综合性、相对一致性、区域共轭性、行政单元完整性等区划原则将全国分成4个耕地压力地带、25个耕地压力区,从而建立起中国耕地压力综合分区体系,并用GIS显示其空间分布。

青藏高原生态资产地域划分中的SOFM网络技术

针对目前地域划分中存在的问题,论文尝试以人工神经网络技术作为区划工作的理论支撑,构建了自组织特征映射SOFM网络,以青藏高原环境与生态系统资产作为待分客体,探索了新技术和方法在生态资产地域划分中的应用。结果表明,对于自然界中广泛存在的非线性问题,SOFM网络具有比聚类分析等线性分类器更强的适应性。应用SOFM网络在对待分客体生态资产进行类型划分的基础上,使用策略性循环尺度转换(SCS)范式对其进行了区域转换,最终完成了青藏高原范围内生态资产的地域划分。

基于SOFM网络的云南省土地利用程度类型划分研究

土地利用程度研究是开展土地整理工作和土地可持续利用研究的重要内容之一。本文尝试以人工神经网络技术作为土地利用程度类型划分工作的理论支撑,构建了自组织特征映射SOFM网络,在分类过程中同时考虑土地利用程度现状情况和影响土地利用程度的社会经济因素,最终将云南省土地利用程度分成高土地利用程度-高人口压力-高经济压力区等六种类型,以为区域土地管理宏观调控提供科学依据。

Kohonen SOFM神经网络及其演化研究

Kohonen SOFM神经网络广泛地应用于模式聚类、模式识别、拓扑不变性映射等方面。从Kohonen SOFM神经网络结构和聚类算法入手,对其演化网络进行了比较分析,并从聚类算法性能的角度给予了综述。最后针对网络结构和算法的不足,指出了需进一步研究的方向。

基于SOFM神经网络的茄子图像分割方法

以将茄子图像从复杂的背景中分割出来为目的,在分析茄子图像色差和色相的基础上,选取R-B、G-B和H作为自组织特征映射(SOFM)网络的输入特征向量,利用该网络自组织学习的特征进行聚类。采用信噪比、面积比、分割时间和傅里叶边界描述子等指标来评价分割精度。试验证明,基于SOFM神经网络图像分割评价优于单一阈值分割,适合复杂背景的彩色图像分割。

基于SOFM网络的烤烟感官质量聚类模式分析

影响烤烟感官质量的因素是复杂多样的,其中化学成分作为烤烟品质的物质基础,是决定烤烟感官质量的主要因素。而多种化学成分的综合性影响决定了烤烟的感官质量。本文从烤烟质量综合评价的需要出发,首先运用相关分析和方差分析方法筛选出主要化学成分或指标作为考察因子,然后采用自组织特征映射神经网络对烤烟感官质量进行聚类,最后借助于雷达图对烤烟感官质量和主要化学成分之间的关系进行聚类模式分析。结果表明:319个烤烟样本可以被分为9类,分别对应9个化学成分组成模式和感官质量表现模式之间的关系,在烤烟配方设计中可以利用这种模式对应关系对烟叶进行分类和选择,从而提高配方设计的效率和科学性。

基于SOFM神经网络的图像融合二值化方法

提出了一种基于自组织特征映射(SOFM)神经网络的图像融合二值化方法。介绍了SOFM神经网络的特点及学习算法,根据SOFM的聚类确定图像第一阈值作为循环迭代的初始值,对整幅图像进行循环迭代得到第二阈值,使用第二阈值对原始图像进行二值化,得到第一幅待融合图像;通过改进的Bernsen方法对原始图像进行二值化,得到第二幅待融合图像;最后根据图像灰度值选小的原则作为图像融合方法,得到最终的二值化图像。该方法既能有效地消除伪影,又能较好地分离字符和文字。模拟实验结果表明,该方法的二值化效果明显优于Bernsen方法和Ostu方法,且具有良好的适应性。

基于SOFM/HMM模型的非特定人手语识别系统

手语识别是通过计算机提供一种有效而准确的机制将手语翻译成文本或语音 .目前最新发展水平的手语识别系统在实际应用中应该解决非特定人手语识别问题 .该文在分析非特定人手语识别特点——数据多且差异大、模型训练难收敛、对不同人数据的特征提取需求更迫切——的基础上 ,提出了 SOFM/ HMM模型 ,将自组织特征映射 (SOFM)很强的特征提取功能和隐马可夫模型 (HMM)良好的处理时间序列属性结合在一个新颖的框架下 ,并把该模型应用到非特定人中国手语识别中 .实验结果表明 ,SOFM/ HMM模型手语识别率比传统的 HMM模型提高近 5 % .

基于SOFM的区域界线划分方法

区域分异研究是人们对地理环境认知深度和自然地理研究水平的重要标志之一,划定分区界线就成为一项迫切而意义重大的工作,尤其是在气候复杂、地貌多样的我国西南高原、山地组合区。云南省南部地区由于多季风系统和大地形作用的影响,气候复杂多样。雨季,温暖湿润的西南夏季风给研究区西部带来大量降水,东部雨量少;干季,整个研究区主要在西风南支急流控制之下,天气晴朗、少雨,同时也使得植被种类及盖度差别较大。基于研究区30个气象台站的海拔高度、多年平均气温和降水、风速、活动积温、潜在蒸散以及MODIS-EVI等数据,利用神经网络技术构建了非线性分类器,即自组织特征映射模型(SOFM),对所有气象台站进行了聚类研究。结果显示,哀牢山成为阻挡北来冷空气进入西南山地的屏障,是我国冬季东北风和夏季西南风的分界线,因此也成为研究区东、西两类气候的分界线。SOFM网络应用于地形复杂、地貌多样的生态地理区域分异研究,基本能反映不同区域之间界线两侧的相似性和差异性,能够揭示一个由量变到质量过程的连续性,不失为一种较好的综合自然地理区划方法。

基于SOFM网络的农村居民点节约用地驱动类型研究

提高农村居民点节约用地有助于释放农村建设用地潜力。从区域发展对农村居民点用地影响的角度出发,分析了农村居民点节约用地的驱动类型。首先,采用回归分析的方法,从中国国家尺度构建指标体系,分析农村居民点人均用地面积的主要影响因素;其次,借助Matlab 7.6软件、采用SOFM网络分析方法从宏观区域层面对中国各省域农村居民点节约用地的驱动类型进行划分。研究结果表明,中国省域农村居民点节约用地的驱动类型可以划分为4种类型:区域发展负向驱动、区域城镇化负向驱动、区域经济负向驱动和区域发展正向驱动;且从全国来看,在农村居民点节约用地驱动问题上出现了较显著的"马太效应"。

SOFM神经网络在道路交通事故分类评价中的应用

随着我国道路交通需求的持续增长和交通建设的快速发展,交通环境和条件有了很大改善,但交通事故仍频频发生,且呈不断增多的趋势,安全已成为交通管理当中一个不容忽视的问题。为了减少交通事故发生次数,降低事故损失程度,需要对交通事故进行分类管理,以便针对不同种类和特征的交通事故采取专门的措施。笔者应用SOFM(自组织特征映射)神经网络对不同原因的道路交通事故进行了分类评价,并根据实际数据的计算和分析提出了相应的防护和控制措施。

基于遥感数据SOFM网络分类结果的城市增长潜力模型研究——以北京1994～2003年城市扩展为例

在长时间序列多光谱遥感数据和高精度自组织神经网络分类方法的支持下，对北京地区1994～2003年城市化的基本过程进行了分析和研究，5种地物分类结果表明：北京近10年来城市扩展基本是以老城为中心围绕环线不断向外围扩展，呈现一个中心多个环线的发展趋势。在此基础上建立了潜力模型，计算潜力指数和生成潜力指数图，潜力指数图呈现从四环以内向外围环线不断递增的趋势，说明北京市发展主要是农业用地发展为城市用地类型，这与北京北部2000年～2003年航空照片反映的变化规律一致，同时还介绍了利用潜力指数对2003年～2012年城市增长潜力的预测分析。

一种基于SOFM神经网络的高光谱图像快速分类方法

高光谱图像的快速准确分类是遥感图像处理的关键技术之一。本文提出了区域特征光谱(RFS)的概念,并采用空间邻域聚类方法提取区域特征光谱;提出了以区域特征光谱作为SOFM神经网络输入的RFS-SOFM高光谱图像快速分类方法,该方法通过区域特征光谱代替单个像元光谱实现神经网络运算量的降低和对图像噪声的抑制。对AVIRIS图像数据的仿真结果表明:RFS-SOFM分类精度高于SOFM神经网络和K-均值算法,计算量约为K-均值的163.6%,SOFM神经网络的5.9%.

SOFM模型在杂草图像识别中的应用

针对在杂草图像分割方面存在使用阈值分割需要选择分割阈值、图像分割精度不高等不足,本文结合超绿特征分割算法和SOFM网络,构造出一种杂草图像识别模型——G-SOFM空间聚类模型。该方法是一种无监督学习方式,不需要指定阈值,利用网络自组织、自竞争的特性,实现对杂草图像的分割。在对图像进行超绿特征处理之后,使用超绿特征的灰度和归一化两个特征向量,实现SOFM空间聚类。实验结果表明,改进的G-SOFM方法相比其他三种杂草图像分割算法的分割结果都有一定的提高,分别比HIS阈值分割、超绿特征分割、双阈值分割提高28%、20%、21%。本算法结合后期形态学去噪后,识别正确率可达94%。