【技術實現(xiàn)步驟摘要】
本專利技術涉及一種水資源規(guī)劃方法，具體是基于自組織映射人工神經(jīng)網(wǎng)絡的水資源利用特征分區(qū)方法。
技術介紹
1、水資源不僅是人類生活、生產中不可或缺的自然資源，也是維護良好生態(tài)環(huán)境的重要載體。隨著國家水資源剛性約束制度的建設和國家節(jié)水行動的落實，我國水資源管理工作已經(jīng)開始現(xiàn)代化、精細化轉型。然而，各地區(qū)自然資源稟賦和社會經(jīng)濟發(fā)展水平不均，傳統(tǒng)的依據(jù)行政分區(qū)制定的管理制度，很難全面地統(tǒng)籌兼顧各個區(qū)域實際的水資源利用情況，由國家、省、市級等制定的管理措施可能無法觸達縣級行政區(qū)的核心問題，造成部分水資源管理政策缺乏針對性，在實際推廣應用中存在較大阻力。
技術實現(xiàn)思路
1、本專利技術的目的是克服上述
技術介紹
的不足，提供一種基于自組織映射人工神經(jīng)網(wǎng)絡的水資源利用特征分區(qū)方法，以幫助水資源管理者更好地了解各區(qū)域水資源利用特征，對水資源利用特征相近的地區(qū)采用相近的管理模式和策略，提升水資源管理政策的針對性和適應性。
2、本專利技術提供的技術方案是：
3、一種基于自組織映射人工神經(jīng)網(wǎng)絡的水資源利用特征分區(qū)方法，包括如下步驟：
4、步驟1：基礎數(shù)據(jù)集準備
5、收集研究區(qū)域相關社會、經(jīng)濟、水利、農業(yè)相關數(shù)據(jù)，包括三個類別：
6、(1)社會經(jīng)濟數(shù)據(jù)：包括人口、國內生產總值(gdp)、工業(yè)增加值、農田實際灌溉面積；
7、(2)用水量數(shù)據(jù)：包括居民生活用水量、工業(yè)用水量、城鎮(zhèn)公共用水量、農業(yè)用水量、生態(tài)環(huán)境用水量；
8、(3)用
9、步驟2：模型參數(shù)設定
10、本專利技術以上述基礎數(shù)據(jù)作為輸入變量，假定共有m個樣本和n個變量，則第i個樣本組成xi可表示為：
11、xi＝xi1,xi2…xin，i＝1,2,…,m??????????????(1)
12、式中，xi為第i個樣本的數(shù)據(jù)向量，xij為第i個樣本第j個變量的取值，i＝1,2,…,m，j＝1,2,…,n。
13、全部n個變量組成的輸入樣本矩陣x為：
14、
15、式中，x為輸入變量矩陣。
16、通過式(3)對x中各個變量進行歸一化，保證各變量的最大值均為1，最小值為0；
17、
18、式中，xj,max和xj,min分別為第j個變量的最大值和最小值，j＝1,2,…,n。
19、全部變量完成歸一化后，第i個樣本為yi：
20、yi＝y(tǒng)i1,yi2…yin，i＝1,2,…,m???????????????(4)
21、式中，yi為歸一化后的第i個樣本，yij為第i個樣本第j個變量歸一化后的取值，i＝1,2,…,m，j＝1,2,…,n；
22、根據(jù)樣本個數(shù)m和式(5)，確定自組織映射人工神經(jīng)網(wǎng)絡中神經(jīng)元個數(shù)p，并根據(jù)模型學習速率和精度需求設定優(yōu)勝鄰域半徑r和學習率α，從而完成模型參數(shù)設定；
23、
24、式中，p為神經(jīng)網(wǎng)絡節(jié)點數(shù)目，m為樣本數(shù)目；
25、步驟3：模型計算
26、本專利技術采用自組織映射人工神經(jīng)網(wǎng)絡(現(xiàn)有技術)作為無監(jiān)督學習模型，其學習步驟如下：
27、step1：初始化網(wǎng)絡；初始化神經(jīng)網(wǎng)絡各節(jié)點的各個權重值初始化為一個小隨機數(shù)，每個節(jié)點包含n個權重值，組成一個權重向量。設第k個節(jié)點的權重向量為wk，k＝1,2,…,p：
28、wk＝wk1,wk2…wkn，k＝1,2,…,p????????????????????????(6)
29、式中，p為神經(jīng)網(wǎng)絡節(jié)點數(shù)目，wkj為第k個節(jié)點第j個權重的取值，k＝1,2,…,p；j＝1,2,…,n。
30、step2：接受輸入；隨機選擇一個樣本yi輸入人工神經(jīng)網(wǎng)絡。
31、step3：選擇優(yōu)勝節(jié)點；計算yi(i＝1,2,…,m)與各個節(jié)點權重向量wk(k＝1,2,…,p)的歐式距離(式7)，從中選擇歐式距離dik最小的節(jié)點k*作為優(yōu)勝節(jié)點
32、
33、式中，dik為yi和wk之間的歐式距離。
34、step4：確定優(yōu)勝鄰域。以優(yōu)勝節(jié)點為中心，根據(jù)優(yōu)勝鄰域半徑r確定優(yōu)勝鄰域所包含的節(jié)點作為優(yōu)勝鄰域。
35、step5：更新權重。通過下式對優(yōu)勝鄰域內的所有節(jié)點進行更新。假定優(yōu)勝鄰域內共有b個節(jié)點(b≤p)，則第q個節(jié)點的權重向量可通過下式更新：
36、
37、式中，t表示迭代次數(shù)，wq(t)表示當前迭代中優(yōu)勝鄰域內第q個節(jié)點的權重向量，wq(t+1)為更新后的優(yōu)勝鄰域內第q個節(jié)點的權重向量，α為學習率，dqk*為第q個節(jié)點權重向量和優(yōu)勝節(jié)點k*權重向量之間的歐式距離(式8)，h(dqk*)為以優(yōu)勝節(jié)點為中心的拓撲鄰域核。本專利技術中選用式9計算：
38、
39、式中，wqj為當前迭代中優(yōu)勝鄰域內第q個節(jié)點的第j個權重值，wk*j為當前迭代中優(yōu)勝節(jié)點k*的第j個權重值。
40、
41、式中，e為自然對數(shù)，r為優(yōu)勝鄰域半徑。
42、步驟4：分區(qū)合并。根據(jù)上述模型，將各個樣本分配至各個節(jié)點。m個樣本最終被分配至s個節(jié)點(s≤p)。
43、若s大于決策者所需的分區(qū)數(shù)s(s>s)，則根據(jù)各個節(jié)點最終權重向量之間的歐式距離，優(yōu)先選擇終權重向量歐式距離最小的兩個節(jié)點進行合并，合并后節(jié)點權重向量取兩者之間的均值；基于上述方法，不斷合并節(jié)點，直至滿足分區(qū)數(shù)s；
44、若s小于決策者所需的分區(qū)數(shù)s(s<s)，則調整人工神經(jīng)網(wǎng)絡節(jié)點總數(shù)p，返回步驟3重新進行模型計算。
45、本專利技術的有益效果是：采用所提供的方法，相關部門能夠根據(jù)需要，將用水情況和社會經(jīng)濟發(fā)展水平具有較大差異的區(qū)域合并分類為若干個分區(qū)，從而幫助水資源管理者更好地了解各區(qū)域水資源利用特征，解析區(qū)域間用水特征的差異，對水資源利用特征相近的地區(qū)采用相近的管理模式和策略，提升水資源管理政策的針對性和適應性。
本文檔來自技高網(wǎng)...【技術保護點】
1.一種基于自組織映射人工神經(jīng)網(wǎng)絡的水資源利用特征分區(qū)方法，包括如下步驟：
2.根據(jù)權利要求1所述的基于自組織映射人工神經(jīng)網(wǎng)絡的水資源利用特征分區(qū)方法，其特征在于：所述步驟2的模型參數(shù)設定步驟為：
3.根據(jù)權利要求2所述的基于自組織映射人工神經(jīng)網(wǎng)絡的水資源利用特征分區(qū)方法，其特征在于：所述步驟3的模型計算，采用自組織映射人工神經(jīng)網(wǎng)絡作為無監(jiān)督學習模型，其學習步驟如下：
4.根據(jù)權利要求3所述的基于自組織映射人工神經(jīng)網(wǎng)絡的水資源利用特征分區(qū)方法，其特征在于：所述步驟4的分區(qū)合并，是根據(jù)上述模型計算結果，將各個樣本分配至各個節(jié)點；m個樣本最終被分配至s個節(jié)點(s≤p)；
【技術特征摘要】
1.一種基于自組織映射人工神經(jīng)網(wǎng)絡的水資源利用特征分區(qū)方法，包括如下步驟：
2.根據(jù)權利要求1所述的基于自組織映射人工神經(jīng)網(wǎng)絡的水資源利用特征分區(qū)方法，其特征在于：所述步驟2的模型參數(shù)設定步驟為：
3.根據(jù)權利要求2所述的基于自組織映射人工神經(jīng)網(wǎng)絡的水資源利用特征分區(qū)方法，其特征...
【專利技術屬性】
技術研發(fā)人員：蔡晨凱，楊才杰，王賀龍，陳言，項俊洪，吳昶槐，
申請(專利權)人：浙江省水利河口研究院浙江省海洋規(guī)劃設計研究院，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。