基于SOM网络的城市分类讨论及实证分析.docx

基于SOM网络的城市分类讨论及实证分析基于SOM网络的城市分类讨论及实证分析摘要：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根据。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。文章讨论了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，进而指出了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根据。然而，怎样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，它帮助我们解决了很多棘手的难题，其中的自组织特征映射网络SOM具有强大的聚类功能，利用它能够帮助我们根据各个城市的特点进而进行科学分类，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。进而可见，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能够发挥强大的作用。评价一个城市的各个行业的发展，有很多指标。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收集，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给业，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，进而讲明了SOM网络在城市分类方面确实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-OrgnizingFeatureMapSOM网络，它是由芬兰学者TeuvoKohonen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老师自组织、自学习网络。Kohonen以为，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形式时，将会分成不同的反响区域，各区域对输入形式具有不同的响应特征。SOM网络的一个典型特征就是能够在一维或二维的处理单元阵列上，构成输入信号的特征拓扑分布，因而SOM网络具有抽取输入信号形式特征的能力。SOM网络一般只包含有一维阵列和二维阵列，但可以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、提供新的输入形式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经过。三、基于SOM网络的城市分类实证分析城市分类能够便于我们了解各个城市的发展状况，进而为我们制订城市的发展决策提供根据。如今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，并且它是无老师训练方式，我们只需要收集输入样本，而不必如入目的值就能够得到我们想要的结果，可见SOM网络使用也特别方便。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，而一般来讲，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MATLABR2020进行编程构建。确定网络的输入形式为：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创立一个SOM网络。根据实际情况本文创立网络的竞争层分别选用3、4、5、6层的构造。然后经过实验，分别观察其性能，进而选取分类效果最好的一组。2、利用函数train和仿真函数sim对网络进行训练并仿真。仿真的步数大小同样影响网络的聚类性能，这里我们设置步数为1000。最后经过分类结果如表1所示。三实验结果分析最后经过分析挑选，发现当这17个城市被划分为6类时和现实情况较为符合。分类情况如表2所示。第一类：从表中看出，济南和青岛被归为了一类，并且在分类数为3、4、5、6时，济南和青岛都被列为了一类。从表中我们能够看到济南、青岛在各方面都优于其他城市，尤其是制造业、教育、以及公共管理和社会组织方面。济南是山东省省会，是全省、文化、经济，金融，教育中心，也是国家批准的沿海开放城市和十五个副省级城市之一。青岛是全国70个大中城市之一，全国五个计划单列市之一。工业有纺织、机车车辆、机械、化学、石油化工、钢铁、橡胶、家用电器、啤酒、卷烟等。有举世闻名的青岛啤酒、海尔集团、海信集团等大企业集团。并且，二者都有丰富的教育资源，全省大多高校均聚集在此。第二类：淄博、泰安、德州、聊城在发展方面，各个方面较为平衡，没有十分显著的特点。四者的制造业、建筑业和教育大约位于全省中间地位。第三类：枣庄、东营属特殊职能类型城市。两个城市相对其他城市来讲，采矿业较为发达。枣庄境内已探明地下矿藏36种：煤、铁、铜、铝、金、银、锶天青石、石膏、萤石、水泥原料灰岩等。其中煤、石膏地质储量为15.4亿吨和4.1亿吨。而东营又称石油之城，丰富的石油、天然气资源。但是，两个城市的制造业相对薄弱，其他产业大约处于平均水平。第四类：烟台在此被单独分成了一类，其具有本身的特色，并且发展潜力宏大。烟台的制造业和交通运输业位于全省前列。烟台的工业主要以造船、轻纺、机械、建材、电子、冶金、医药等行业为主，并且还有张裕葡萄酒、三环锁等烟台的传统产品。近年来，锦纶、白卡纸、电子网目板等技术水平较高的项目相继投产。烟台在地理位置上东连，西接潍坊，西南与毗邻，北濒、，与对峙，并与隔海相望，共同构成拱卫首都的海上门户。所以，烟台的交通运输业较为发达。另外，烟台的招远金矿为烟台采矿业也提供了大量了就业时机。第五类：潍坊、临沂、济宁和菏泽在教育和公共管理和社会组织方面处于全省前列地位，其他方面稍稍逊色一些。第六类：威海、日照、莱芜、滨州这四个城市各个方面表现均不太突出，但是，这些城市的发展潜力很大。威海、日照属沿海城市，交通便利，能够重点发展交通运输业。莱芜、滨州虽地处内陆，但可以依附内陆的经济中心济南来发挥特色经济。四、结论通过本文的研究，能够看出利用SOM网络基本能够完成城市的分类研究，并且能够调整分类类别，来知足不同的需要。但是，SOM的分类还不够准确，这主要是收集数据的不完备性。由于信息的不完全，使SOM的聚类功能并未发挥极致。但是，利用SOM网络，操作经过较传统方法方便很多，只需采集数据，将其输入网络，网络就能自行进行学习、训练，并且是无老师学习方式，不必输入目的值，这些优点都是很多其他方法不能比较的，相信随着收集数据的完备性和准确性，这种方法在城市分类方面能够得到广泛的应用和推广。参考文献：1、神经网络理论与MATLABR2007实现M.电子工业出版社,2020.2、吴聘奇,黄民生.SOM网络在福建省城市职能分类中的应用J.经济地理,2005(1).