1、人工神經網絡及在土地集約利用評價中的應用摘要：土地資源是人類賴以生存和發展的、無法替代的自然環境資源，它既是環境的重要部分，又是其他自然環境資源和社會經濟資源的載體。土地規劃方案的優與劣，對土地及其衍生物有著直接或間接的影響。人工神經網絡是人工智能的重要分支，具有自適應、自組織和自學習的特點，已經在信息、醫學、經濟、控制等領域得到廣泛應用。本文主要對人工神經網絡的發展，基本原理做了介紹，并舉例分析了其在土地集約利用評價中的應用。關鍵詞：人工神經網絡；土地利用規劃；土地集約利用；原理；應用；1 人工神經網絡概述人工神經網絡（ANN）是在現代神經科學研究成果基礎上提出的，試圖通過模擬大腦神經網絡處

2、理、記憶信息的方式進行信息處理的一種智能化方法。人工神經網絡反應了人腦功能的基本特性，但并不是人腦的真實描述，只是人腦的抽象、簡化與模擬。它是一門涉及醫學、神經生理學、信息學、人工智能、數理學、計算機學等多個領域的新興前沿學科，它具有復雜的非線性動力學特性、并行處理機制、學習、聯想和記憶功能，以及高度自組織、自適應能力和靈活性。因此吸引了眾多的神經生理學家、心理學家、數理學家、計算機與信息科學家及工程師對人工神經網絡進行研究和應用。人工神經網絡作為人工智能的一個分支，在近二十年來日益成為當代高新科技領域中競爭的熱點。目前關于人工神經網絡的定義尚不統一，結合人工神經網絡的來源、特點及定義，可將其

3、表述為：人工神經網絡是模仿腦細胞結構和功能、腦神經結構以及思維處理問題等腦功能的新型信息處理系統。1.1人工神經網絡的發展過程人工神經網絡的研究始于1943 年心理學家W.S.McCulloch 和數學家W.Pitts 提出的神經網絡最早的數學模型，稱為MP模型，從而開創了人工神經網絡研究的時代。人工神經網絡的發展過程總體可以分為四個階段：（1）形成時期第一個神經元模型（M-P 模型），他們的努力奠定了網絡模型和以后神經網絡開發的基礎。1951 年，心理學家Donala O. Hebb 提出了連接權值強化的Hebb 法則，為構造有學習功能的神經網絡模型奠定了基礎。1954 年，生物學家Eccl

4、es 提出的真實突觸的分流模型為神經網絡模擬突觸的功能提供了原型和生理學的證據。1956 年，Uttley 發明了一種由處理單元組成的推理機，用于模擬行為及條件反射。1960 年，Widrow和Hoff 提出了自適應線性元件Adaline網絡模型。這些研究對于神經網絡的基礎理論與應用發展起到關鍵作用。（2）低谷時期在第一次神經網絡研究熱潮中，人們忽視了其本身的局限性。1969 年Minskyh 和Papert 經過多年的研究，提出了對當前成果的質疑，指出當前的網絡只能應用于簡單的線性問題，卻不能有效地應用于多層網絡，由此開始了神經網絡的低谷期。1972 年，芬蘭的Kohonen 教授，提出了自

5、組織映射（SOM）理論，1980 年福島邦彥發表的“新認知機”（Neocognitron）是視覺模式識別機制模型。低谷時期的許多重要研究成果都為日后神經網絡理論研究打下了堅實的基礎。（3）復興時期1982 年，美國物理學家Hopfield 博士提出了Hopfield 模型理論，他證明了在一定條件下，網絡可以達到穩定的狀態。在他的影響下， 大量學者又重新開始了對神經網絡的研究。1986 年，由美國的Rumelhart 和McCkekkand 提出了PDP網絡思想，再一次推動了神經網絡的發展。1995 年，Jenkins 等人開始研究光學神經網絡（PNN），建立了光學二維并行互連與電子學混合的光學

6、神經網絡系統。經過多年的發展，目前已有上百種的神經網絡模型被提出與應用。（4）發展時期20 世紀80 年代， 隨著人工神經網絡在世界范圍內的復蘇，我國也逐步掀起了對其的研究熱潮。1987年，在美國加州召開了第一屆國際神經網絡學會。90 年代，國內外許多學者進一步完善和發展了神經網絡領域。特別是通過神經網絡方法來解決非線性系統的控制問題，并取得了突出的成果。1995 年Jenkins 等人研究了光學神經網絡（PNN），建立了光學神經網絡系統。2000 年，Setiono 提出了快速規則抽取算法。2004 年， 提出了用于計算混沌神經網絡最大Lyapunov 指數的一種算法，基于最大指數的計算，研

7、究網絡混沌區域的分布和特征，可以合理的選擇網絡參數。如今的人工神經網絡仍處于快速發展之中。1.2人工神經網絡的基本原理人工神經網絡是在人類對其大腦神經網絡認識理解的基礎上人工構造的能夠實現某種功能的神經網絡。它是理論化的人腦神經網絡的數學模型，是基于模仿大腦神經網絡結構和功能而建立的一種信息處理系統。它實際上是由大量簡單元件相互連接而成的復雜網絡，具有高度的非線性，能夠進行復雜的邏輯操作和非線性關系實現的系統。（1）神經元與神經網絡結構人工神經網絡由神經元模型構成, 這種由許多神經元組成的信息處理網絡具有并行分布和結構。神經元作為人工神經網絡的基本處理單元，是生物神經元的抽象、簡化和模擬。抽象

8、是從數學角度而言，模擬是以神經元的結構和功能而言。一般形式神經元如圖-1所示。其中的權值w即代表神經元之間的連接強度,f(x)是激發函數,一般為非線性函數圖4.1可進一步建立起更接近于工程的數學模型,成為一個多輸入單輸出的非線性器件。人工神經網絡具有下列特點：圖-1 形式神經元模型對于每個節點i, 存在一個狀態變量X i;從節點j 至節點i, 存在一個連接權系統數W ij; 對于每個節點i, 存在一個閾值H i; 對于每個節點i, 定義一個變換函數f i (X i,W ij , Hi ) , ij; 對于最一般的情況, 此函數取f i (,W ijX i- Hi) 形式。（2）多層神經網絡人工

9、神經網絡是指為了模擬動物神經細胞群學習特性的結構和功能而構成的一種信息處理系統,由于擁有很強的適用于復雜環境和多目標控制要求的能力,并具有以任意精度逼近任意非線性連續函數的特性而適用于復雜系統的控制應用領域典型多層神經網絡如圖-2所示。圖-2 典型多層神經網絡模型1.3人工神經網絡類型人工神經網絡的結構基本上分為兩類, 即遞歸(反饋) 網絡和前饋網絡, 簡介如下。（1）遞歸網絡在遞歸網絡中, 多個神經元互連以組織一個互連神經網絡, 如圖-3所示。有些神經元的輸出被反饋至同層或前層神經元。因此, 信號能夠從正向和反向流通。Hopf ield 網絡、Elmman 網絡和Jo rdan 網絡是遞歸網

10、絡有代表性的例子。遞歸網絡又稱反饋網絡。圖-3 遞歸網絡（2）前饋網絡前饋網絡具有遞階分層結構, 有一些同層神經元間不存在互連的層級組成。從輸入層至輸出層的信號通過單向連接流通; 神經元從一層連接至下一層, 不存在同層神經元間的連接, 如圖-4所示。圖中, 實線指明實際信號流通而虛線表示反向傳播。前饋網絡的例子有多層感知器(ML P)、學習矢量量化(LVQ ) 網絡、小腦模型連接控制(CMAC) 網絡和數據處理方法(GMDH )網絡等。圖-4 前饋網絡人工神經網絡的具體模型類型多樣，下面對重要的幾種網絡模型作簡要介紹。（1）BP網絡典型即網絡結構如圖-5所示BP網絡通常有一個或多個隱含層,隱含

11、層中的神經元均采用sigmoid型變換函數,輸出層的神經元采用純線性變換函數對于一個基本的BP神經元,它具有R個輸入,每個輸入都通過一個適當的權值w與下一層相連,網絡輸出可表示成a=f(w*P,b)。圖-5 典型BP網絡結構（2）徑向基網絡徑向基函數RBF神經網絡(簡稱徑向基網絡)是由J.Moody和cDarken于20世紀80年代末提出的一種神經網絡結構,它是具有單隱含層的三層前饋網絡,如圖-6所示隱含層神經元采用徑向基函數作為轉換函數,通常采用高斯函數作為徑向基函數,它具有形式簡單!徑向對稱!光滑性好和任意階導數存在的優點。圖-6 徑向基網絡結構圖（3）線性神經網絡線性神經網絡是最簡單的一

12、種神經元網絡,它可以由一個或多個線性神經元構成線性神經網絡的每個神經元的傳遞函數為線性函數,因而線性神經網絡的輸出可以取任意值線性神經網絡采用Widrow-hoff學習規則,也稱為LMS(least Mean squre)算法來調整網絡的權值和閾值。1.4人工神經網絡應用人工神經網絡以其獨特的結構和處理信息的方法, 在自動控制、圖像處理、模式識別、傳感器信號處理、機器人控制、信號處理、焊接、地理、數據挖掘、電力系統、軍事、交通、礦業、農業和氣象等許多實際應用領域展現出了卓越性能。下面介紹幾種常用神經網絡的應用：BP網絡的應用大體有分類、函數逼近、優化預測等方面，。尤其是對時間序列的預測更有實用

13、價值, 像國民經濟和人口發展等計算都可用BP 網絡來建模與擬合。BP網絡的優點: BP 網絡在分類與識別方面的性能優越, 可以快速高效的對機械故障進行診斷, 比傳統的譜分析診斷技術效率大大提高型。存在的不足有: 網絡的容錯性和魯棒性差,難以保證在線實時機械故障診斷、監測和預報的精準度。 BP算法的收斂速度較慢, 且網絡隱層節點個數的選取尚缺少統一而完整的理論。ART 網絡在語音、圖像、文字、識別等模式識別領域的應用廣泛，還可以應用與數據挖掘, 從大量數據中搜索并發現穩定而有意義的模式。其優點是: 聚類效果好、穩定性強、對于環境變化有良好的自適應能力、算法簡單高效。不足之處:ART 網絡為確定合

14、理的診斷模型和參數, 網絡結構須進一步學習和優化。RBF 神經網絡已經成功地應用于函數近似、模式分類、系統建模、模式識別、信號處理等領域。RBF 的優點是與其網絡結構簡單、非線性逼近能力強、收斂速度快以及全局收斂等優點。RBF 在函數逼近方面還有許多方面需要進一步研究。Hopfield是一種反饋神經網絡模型, 具有在高度連接下的神經網絡依靠集體協同能自發產生計算行為。其應用領域有: 圖像識別, 加工車間調度, 電力系統最佳消耗計算, L S I 優化布局, 線性系統模型參數估計, 最佳調節器設計, 電磁場并行計算, 并行運動估計等。Hopfield網絡的優點有: 在線性規劃問題中, 霍普菲爾德

15、回避了用純數學方法(單純形法) 來研究該問題。在模數轉化時, 一旦硬件電路實現后, 如果在輸入端加入模擬電壓值, 那么在其幾個神經元上立即(實時) 地顯示出所對應的輸出數字信號。模糊神經網絡集合了模糊理論和神經網絡的優點, 由其獨特的應用特性, 是目前研究的熱點之一。目前模糊神經網絡在窯爐、工業機器人控制等領域應用較廣。其存在的問題有: 自適應和自調整性能差, 抗干擾能力弱, 難以實現實時控制; 缺乏實用的開發平臺, 限制模糊神經網絡的應用。2 人工神經網絡在土地集約利用評價中的應用2.1土地集約利用基礎理論當前，我國土地資源短缺，已成為制約經濟發展的重要因素之一。我國城市化進程加速發展，城市

16、用地擴張迅速，全國城市化率達到37%左右，城鎮化水平達到70%以上。我國經濟增長方式面臨由粗放經濟向集約經濟的根本性轉變。因此，無論是從保護土地資源、完善土地科學的角度，還是從城市發展和城市土地合理配置的角度，城市土地集約利用論題的研究，對促進城市化進程和可持續發展具有重要的現實意義和深遠的戰略意義。土地集約利用最早來自于對農業土地利用的研究，是李嘉圖等古典政治經濟學家在地租理論中首先提出來的。城市土地集約利用的內涵為：以布局合理、結構優化和可持續發展為前提，通過增加存量土地的投入，改善土地的經營和管理，使土地利用的綜合效益和土地利用的效率不斷得到提高。就中國城市土地集約利用存在以下幾種觀點：

17、一是將城市土地集約利用理解為土地投入的提高；二是將城市土地集約利用理解為城市土地結構和布局的優化；三是理解為土地利用率的提高；四是理解為充分挖掘城市土地資源經濟供給潛力,使城市土地投入產出比和土地利用率最佳。2.2土地集約利用傳統模型近年來,在土地集約利用方向運用的比較頻繁的模型及趨勢主要包括:多因素綜合評價模型;極限條件模型:理想值修正模型;模糊綜合評價模型;主成分分析模型，下面首先對這些模型的概念做一個系統的介紹。（1）多因素綜合評價模型由于影響土地集約利用的因素有多個,因此,可以將多個因素運用數學模型(比如按照各個因素的權重值)合成一個整體的綜合評價體系來對土地的集約度進行評價。模型優點

18、是表達式通俗易懂,實際操作簡單,能綜合反映土地整體利用程；缺點在于綜合表達式和指標的標準化不統一,權重確定方法中主觀成分較大。（2）極限條件模型極限條件模型也就是我們所說的木桶原理,在對研究對象選定了評價指標和評價標準之后,把研究對象的評價指標體系中的現狀值與標準值進行對比,如果超過了標準值的上限,則定義為過度利用,如果低于下限,則為低度利用。極限條件模型中選取的每個指標都跟相應的等級對應，但缺點在于要確定評價的標準難度比較大,而且比較主觀,準確性有待研究。（3）模糊綜合評價模型模糊綜合評價是對受多種因素影響的事物,運用模糊變換原理分析和評價,定性與定量相結合做出全面評價的一種十分有效的多因素

19、決策方法,其特點是評價結果不是絕對地肯定或否定,而是以一個集合來表示。模糊綜合評價模型結合了模糊數學與層次分析法的特點，但其隸屬函數的選取難度較大。（4）主成分分析模型影響城鎮土地集約利用的因素是多樣的,如果對所有的因素都進行評價,則不太現實,通常我們會將這些因素進行變換選擇那些重要的因素進行統計分析，采用主成分分析法分析起來既簡單又準確。主成分分析法引入了統計學相關方法，解決了指標間的相關性，權重的獲取也比較的客觀，但難以解決指標間的非線性問題。2.3 BP神經網絡在土地集約利用中的應用BP神經網絡的基本結構如圖-5所示。BP網的工作原理就是,由輸入層不斷輸入數據,數據在隱含層中通過函數關系

20、進行計算,并對結果進行反復修正,從而使最后的網絡輸出的結果達到最差最小、精度最高等特點。傳統的土地集約利用評價研究中，運用較多的是層次分析法和回歸分析法，通過構建遞階層次結構、確定權重、估算理想值等環節建立評價體系，從而度量土地集約利用程度的高低。但是這些方法存在著個人主觀性影響，使得評價結果會偏離實際情況。用BP人工神經網絡建立一個合適的評價模型，可以擺脫主觀因素的負面影響，而且可以很好地解決指標間的非線性問題，體現研究的客觀合理性。下面以合肥市土地集約利用評價為例，介紹基于BP神經網絡模型的土地集約利用程度評價過程。（1）評價指標體系選擇土地利用具有區域性、動態性和連貫性。 運用統一、固定

21、的指標對所有對象進行集約利用評價較困難， 而土地集約利用評價指標體系指標的選取將直接影響到最后評價的結果。該指標除了要體現研究對象城市的土地集約利用的目標和內容，還必須能夠直接的反應其土地利用集約程度等不同屬性。整個評價指標體系的各項指標是不斷發展、變化、連續的。在評價指標體系的選擇過程中，應注意全面性和代表性相結合，定性與定量相結合，可操作性和系統性原則。實例中作者通過參考安徽省統計年鑒（20002009 年）、合肥市統計年鑒（20002009 年）、 安徽省合肥市土地利用總體規劃（20062020 年）等資料，確定將指標分為三類，即土地利用經濟效益指標、 土地利用社會效益指標和土地利用生態

22、效益指標。地均 GDPI1單位面積工業總產值 I2、城市人均可支配收入I3、地均社會消費品零售總額 I4、單位面積固定資產投資額 I5、人口密度 I6、城市燃氣用水普及率 I7、每萬人擁有公交車數量 I8、城市人均居住面積 I9、人均公共綠地面積 I10、建成區綠地覆蓋率 I11、城市工業廢水排放達標率 I12等 12 個指標。具體如表-1所示。表-1 合肥市土地集約利用評價指標指標集評價指標代號單位土地利用經濟效益區域地均GDPI1萬元/每平方公里單位面積工業產值I2萬元/每平方公里城市居民人均可支配收入I3元地均社會消費品零售總額I4萬元/每平方公里單位面積固定資產投資額I5萬元/每平方公

23、里土地利用社會效益人口密度I6人/平方公里城市燃氣用水普及率I7百分比每萬人擁有公交車數量I8臺城市人均居住面積I9平方米土地利用生態效益人均公共綠地面積I10平方米建成區綠地覆蓋率I11百分比城市工業廢水排放達標率I12百分比（2）確定網絡層數BP 人工神經網絡一般由三部分組成 ：輸入層 、隱含層和輸出層， 研究表明三層網絡可完成任意 n 維到 m 維的映射。故研究中的作者將擬建立的 BP 人工神經網絡模型設定為 3 層。（3）確定隱含層節點數在BP網絡中，隱含層節點數的選擇非常重要，它不僅對神經網絡模型的性能有很大的影響，而且是模型訓練時出現“過擬合”的直接原因，但是目前理論上還沒有一種權

24、威的確定方法。常用的方法有靜態設計法、動態構造法、進化法等。本篇文章借鑒嚴太山等提出的經驗公式法， 其公式為NH=N1NO+NP/2；其中NH 為隱含層節點數；N1為輸入層節點數；N0為輸出層節點數；NP為訓練樣本數。據此式得，本研究的隱含層節點數為 11 。 按照本文前已建立的土地集約利用評價指標體系， 將已經確定的區域地均 GDP 等 12 個指標額作為輸入層，構建出三層的 BP 神經網絡結構。（4）評價水平標準確定通過搜集其它與合肥市城市規模水平， 經濟發展程度相近的省會城市對應的指標的相關值、國家標準、經驗值確定評價指標的分級標準，分為粗放利用、適度利用和集約利用三個水平，量化為：在0

25、，0.4范圍之內為低度利用、在0.4，0.7范圍之內為適度利用、在0.7，1范圍之內為集約利用。（5）BP神經網絡訓練將搜集到的數據進行匯總，由于每個評價值單位不同，不便于后期進行統計計算， 對每個評價指標值進行標準化，即將數據的變化范圍控制在0，1之間。采用安徽省 20002009 年數據作為樣本進行訓練， 用合肥市 20002009 年數據作為測試樣本。以下為部分訓練數據。表-2 合肥市土地集約利用 BP 神經網絡部分訓練數據通過Matlab中的工具箱編程，在經過數次次訓練過，得到的結果如下圖-7所示。圖-7 訓練結果（6）土地集約利用程度評價利用訓練好的 BP 人工神經網絡模型， 將合肥

26、市 20002009 年的各項指標值逐年輸入，得出 20002009 年間合肥市土地集約利用程度值分別為：0.2363、0.3243、0.3878、0.4653、0.5543、0.5657、0.6459、0.7573、0.8021、0.8807。 根據前面確定的土地利用集約程度標準，結果如表-3所示。表-3 合肥市土地集約利用 BP 神經網絡分析結果年份集約度值等級年份集約度值等級20000.2362低度20050.5657適度20010.3243低度20060.6459適度20020.3878低度20070.7573集約20030.4653適度20080.8021集約20040.5543適度20090.8807集約從上表可以得出， 合肥市土地集約利用程度呈逐年上升的趨勢， 但從數據上看， 城市土地集約利用可挖潛力還比較大。對照合肥市歷年各指標值發現， 有關經濟益類的指標值增速較快，有關社會效益和生態效益的指標值增速一般。作為安徽的省會城市，合肥市今后的發展應在現有的基礎上，堅持走可持續發展道路，