农产业SOM网络构造

1SOM网络基本原理和结构

SOM网络，也称kohonen网络，由芬兰学者Kohonen［1］于1981年提出，其认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模式时，将会分为不同的反应区域，各区域对输入模式具有不同的响应特征［2］。SOM网络被广泛地应用于分类聚类、语音识别、数据分析和预测等多个领域。

1．1网络结构SOM网络由输入层和输出层组成，其中输入层模拟感知外界输入信息的视网膜，输出层(竞争层)模拟作出响应的大脑皮层。样本从输入层进入网络内部;输出层上神经元之间相互竞争，使得若干神经元活跃，并最终成为获胜结点。神经元的排列形式一般有一维阵列和二维阵列2种，其中二维阵列(图1)应用最为广泛。

1．2学习过程SOM网络的学习过程是一个寻找最优权值的过程:网络中有多个神经元分布，其权值用来模拟人脑的记忆单元，计算每个神经元权值与输入样本的欧式距离，距离最小的神经元为获胜神经元，获胜的神经元及其邻域内的神经元采用一定的规则在训练中逐步调整权值，直到得到一个较好的权值分布。最终可使网络的某些节点成为对特定模式类敏感的神经细胞，从而形成能够反映样本模式类分布情况的有序特征图。

2基于SOM网络的农业产业结构研究模型

2．1农业产业结构由于我国气候、降水、土壤、地形等自然条件差异较大，农业类型呈多样化形式，其分布具有较强的地域性。如青海省独特的地理环境及其资源条件，客观上决定了其地表资源利用的主体方式是农牧业［3］。全面了解各地区的农业产业结构，分析各地区农业的优势和劣势，有利于农业的发展和相关政策的制定。农业产业结构也称为农业生产结构，是一定地域的农业其各产业部门的组成和构成比例。是农业生产力合理组合和开发利用方面的基本问题，影响着农业资源是否能合理应用。通常可以分为3个层次:一是生产结构，表现为不同生产部门之间的比例;二是产品结构，表现为同一生产部门中不同产品之间的结构;三是品种结构，主要表现为某一产品中不同品种之间的比例。

2．2SOM农业产业模型网络分为2层，输入层上将产业结构数据作为样本输入值，维数为4，竞争层采用二维阵列，节点数为5×5。对网络进行权值初始化操作，通常设置为(0，1)的随机数，建立获胜领域初始值Nj(0)，确定学习速率的初始值η(0)(0＜η(0)＜1)和学习次数T。再对样本进行如下运算:①计算Xpi与ωji之间的欧氏距离，寻找获胜节点，找出欧式距离最小的获胜节点;②定义优胜领域Nj(t)，通常初始领域Nj(0)较大，在训练过程中Nj(t)随训练时间逐渐收缩;定义学习率η(t)，通常η(t)随着时间增大而减小;③修改权值，对优胜领域Nj(t)内的所有节点按照规则进行权值调整，ωji(t+1)=ωji(t)+η(t)(Xpi－ωji(t))i=1，2，…，n，j∈Nj(t);④选取下一个样本进入网络的输入层，返回步骤①，直到所有样本学习完毕;⑤t=t+1，返回步骤②，直至t=T为止。

3实例应用

选取生产结构为研究点，对我国31个省、市、区的农业内部结构作聚类研究，各地区农业中种植业、渔业、畜牧业和林业所占的比重如表1所示。SOM网络是一种自组织网络，能够根据样本的固有特征自动聚类，将31个地区的产业结构数据作为样本输入值，得到31个地区的农业产业结构分布，聚类结果分为4类，如表2所示。通过试验可以得出，第一类代表的是以种植业和渔业为主的地区;第二类代表了种植业占明显优势的地区;第三类代表了种植业稍占优势且畜牧业发展良好的地区;第四类地区是以种植业为主，畜牧业和渔业为辅的结构。

4结语

SOM算法是一种无导师学习方法，其网络具有良好的自组织性，能够挖掘数据之间的关联并自动进行聚类。试验表明，引用SOM网络对全国农业产业结构的聚类分析是有效的，可以为后期的农业规划提供数据依据。