[发明专利]基于人工神经网络的土地评价方法

说明书

技术领域：

本发明涉及一种基于遗传优化的神经网络自学习技术的土地评价方法，属于土地调查与评价领域。

背景技术

土地评价是土地利用规划的基础，是合理利用土地的重要前提。自上世纪60年代以来，土地评价一直受到了广泛关注，其理论、技术和应用得到快速发展。土地评价模型是土地评价的核心，一直以来作为土地评价研究的热点，受到国内外广泛关注。总体上，其发展经历了由定性向定量、由单项向综合、由数理统计分析向智能计算、复杂地理计算和专家系统方向发展历程，形成了定性模型、统计方法、参数化系统、专家系统、和混合化方法等评价技术方法。传统土地评价方法大多是依赖于经验知识的，按照对经验知识的使用方式和推理复杂程度，基本上可以将其分为三类：①简单拟合法。通过经验分析，预先给定一种函数形式以模拟参评因子和土地质量之间的关系，然后根据少量调查样本进行回归分析，得到拟合公式。这种方法一般称为回归分析法。②经验规则推理。根据专家经验制定评判规则，包括因子的重要性程度或限制性因子以及推理方法等，然后进行限制条件判断或加权评判。如极限条件法、经验指数和法等。③土地评价专家系统方法。根据专家经验建立知识库，并转化为规则表示，建立推理规则库，采用综合的、更加合理的推理方法，进行土地质量的综合评判。采用的方法通常有模糊综合评判方法、灰色系统方法等。上述方法存在的主要问题是：简单拟合法对参评因素和土地质量之间的关联关系的逼近过于简化，给定的函数形式难以描述复杂关系；经验规则推理法推理过程简单，但对经验知识的准确性极为敏感，不准确的知识往往带来偏差较大的结果。因此，这两类方法的评价结果的准确性、可靠性较差。评价系统依赖于已有的知识和规则，不能够对知识的不完整性做出调整，不具有自学习能力；系统一般只适合特定时间的特定地区，不具有自适应性和通用性；采用形式化的、严格的确定性推理，个别参数的错误估计可能导致结果的严重偏差，不具有容错性。人工神经网络是通过模仿大脑的组织结构和运行机制，设计全新的计算机处理结构模型，从而构造更接近人类智能的信息处理系统的方法体系。它采用了数据驱动机制，这些方法具有自学习、自组织、自适应、通用性和鲁棒性强特点，在解决传统土地评价依靠专家经验，评价结果受主观因素影响大，可靠性差问题具有明显的优势。

发明内容

针对传统的土地评价方法多通过简单拟合法对参评因素和土地质量之间的关联关系的逼近过于简化，给定的函数形式难以描述土地质量及其影响因素之间复杂关系；经验规则推理法推理过程简单，但对经验知识的准确性极为敏感，不准确的知识往往带来偏差较大的结果等缺陷。本发明将计算智能理论引入土地评价，将土地评价方法从传统的单纯依赖经验知识的多因素评判法转到以实际调查样本为基础的自学习方法或以已有知识为基础、依据样本进行自学习修正的方法，构建基于自学习、自适应的土地评价神经网络方法，并引入遗传优化算法促进土地评价的定量化和智能化。

本发明采用人工神经网络方法进行土地评价，这是一种和传统的基于知识和数理逻辑推理的方法完全不同的思路。土地评价的人工神经网络方法，基于样本数据而不是经验和知识，采用机器学习的方法，自动拟合参评因素和土地质量之间的非线性关系，具有自学习性。同时根据神经网络模型因模型结构中存在阶跃函数等不可微激发函数而引起的收敛过于缓慢甚至发散，而引入遗传优化，构建了基于遗传优化的土地评价方法，实现基于遗传优化的神经网络土地评价方法。发明主要内容包括用遗传算法优化神经网络的连接权和遗传算法优化神经网络结构提高神经网络模型的准确性和实用性，其中用遗传算法优化神经网络的连接权包括以下步骤：

(1)对神经网络各个连接权值和阈值按照一定顺序(如降序或升序)排列，并采用二进制编码方案进行编码，随机产生一组分布，进而构造出一组码链，每个码链代表神经网络的一种权值分布，即对应于一个权值和阈值取特定值的神经网络；

(2)对所产生的神经网络计算其在训练样本集上的均方误差，从而确定其适应度，均方误差越大，适应度越小；

(3)选择若干适应度值最大的个体直接遗传至下一代；

(4)利用交叉和变异的遗传操作算子对当前一代群体进行处理，产生下一代群体；

(5)重复步骤(2)(3)(4)，使初始确定的一组权值分布得到不断的进化，直到训练目标得到满足为止。

用遗传算法训练优化神经网络结构的步骤是：

(1)随机产生N个结构，对每个结构编码，每个编码个体对应一个神经网络结构；

(2)用许多不同的初始权值分布对个体集中的结构进行训练；