專(zhuān)利名稱：：基于人工神經(jīng)網(wǎng)絡(luò)的土地評(píng)價(jià)方法
技術(shù)領(lǐng)域：
：本發(fā)明涉及一種基于遺傳優(yōu)化的神經(jīng)網(wǎng)絡(luò)自學(xué)習(xí)技術(shù)的土地評(píng)價(jià)方法，屬于土地調(diào)査與評(píng)價(jià)領(lǐng)域。
背景技術(shù)：
：土地評(píng)價(jià)是土地利用規(guī)劃的基礎(chǔ)，是合理利用土地的重要前提。自上世紀(jì)60年代以來(lái)，土地評(píng)價(jià)一直受到了廣泛關(guān)注，其理論、技術(shù)和應(yīng)用得到快速發(fā)展。土地評(píng)價(jià)模型是土地評(píng)價(jià)的核心，一直以來(lái)作為土地評(píng)價(jià)研究的熱點(diǎn)，受到國(guó)內(nèi)外廣泛關(guān)注?？傮w上，其發(fā)展經(jīng)歷了由定性向定量、由單項(xiàng)向綜合、由數(shù)理統(tǒng)計(jì)分析向智能計(jì)算、復(fù)雜地理計(jì)算和專(zhuān)家系統(tǒng)方向發(fā)展歷程，形成了定性模型、統(tǒng)計(jì)方法、參數(shù)化系統(tǒng)、專(zhuān)家系統(tǒng)、和混合化方法等評(píng)價(jià)技術(shù)方法。傳統(tǒng)土地評(píng)價(jià)方法大多是依賴于經(jīng)驗(yàn)知識(shí)的，按照對(duì)經(jīng)驗(yàn)知識(shí)的使用方式和推理復(fù)雜程度，基本上可以將其分為三類(lèi)①簡(jiǎn)單擬合法。通過(guò)經(jīng)驗(yàn)分析，預(yù)先給定一種函數(shù)形式以模擬參評(píng)因子和土地質(zhì)量之間的關(guān)系，然后根據(jù)少量調(diào)査樣本進(jìn)行回歸分析，得到擬合公式。這種方法一般稱為回歸分析法。②經(jīng)驗(yàn)規(guī)則推理。根據(jù)專(zhuān)家經(jīng)驗(yàn)制定評(píng)判規(guī)則，包括因子的重要性程度或限制性因子以及推理方法等，然后進(jìn)行限制條件判斷或加權(quán)評(píng)判。如極限條件法、經(jīng)驗(yàn)指數(shù)和法等。③土地評(píng)價(jià)專(zhuān)家系統(tǒng)方法。根據(jù)專(zhuān)家經(jīng)驗(yàn)建立知識(shí)庫(kù)，并轉(zhuǎn)化為規(guī)則表示，建立推理規(guī)則庫(kù)，采用綜合的、更加合理的推理方法，進(jìn)行土地質(zhì)量的綜合評(píng)判。采用的方法通常有模糊綜合評(píng)判方法、灰色系統(tǒng)方法等。上述方法存在的主要問(wèn)題是簡(jiǎn)單擬合法對(duì)參評(píng)因素和土地質(zhì)量之間的關(guān)聯(lián)關(guān)系的逼近過(guò)于簡(jiǎn)化，給定的函數(shù)形式難以描述復(fù)雜關(guān)系；經(jīng)驗(yàn)規(guī)則推理法推理過(guò)程簡(jiǎn)單，但對(duì)經(jīng)驗(yàn)知識(shí)的準(zhǔn)確性極為敏感，不準(zhǔn)確的知識(shí)往往帶來(lái)偏差較大的結(jié)果。因此，這兩類(lèi)方法的評(píng)價(jià)結(jié)果的準(zhǔn)確性、可靠性較差。評(píng)價(jià)系統(tǒng)依賴于已有的知識(shí)和規(guī)則，不能夠?qū)χR(shí)的不完整性做出調(diào)整，不具有自學(xué)習(xí)能力；系統(tǒng)一般只適合特定時(shí)間的特定地區(qū)，不具有自適應(yīng)性和通用性；采用形式化的、嚴(yán)格的確定性推理，個(gè)別參數(shù)的錯(cuò)誤估計(jì)可能導(dǎo)致結(jié)果的嚴(yán)重偏差，不具有容錯(cuò)性。人工神經(jīng)網(wǎng)絡(luò)是通過(guò)模仿大腦的組織結(jié)構(gòu)和運(yùn)行機(jī)制，設(shè)計(jì)全新的計(jì)算機(jī)處理結(jié)構(gòu)模型，從而構(gòu)造更接近人類(lèi)智能的信息處理系統(tǒng)的方法體系。它采用了數(shù)據(jù)驅(qū)動(dòng)機(jī)制，這些方法具有自學(xué)習(xí)、自組織、自適應(yīng)、通用性和魯棒性強(qiáng)特點(diǎn)，在解決傳統(tǒng)土地評(píng)價(jià)依靠專(zhuān)家經(jīng)驗(yàn)，評(píng)價(jià)結(jié)果受主觀因素影響大，可靠性差問(wèn)題具有明顯的優(yōu)勢(shì)。
發(fā)明內(nèi)容針對(duì)傳統(tǒng)的土地評(píng)價(jià)方法多通過(guò)簡(jiǎn)單擬合法對(duì)參評(píng)因素和土地質(zhì)量之間的關(guān)聯(lián)關(guān)系的逼近過(guò)于簡(jiǎn)化，給定的函數(shù)形式難以描述土地質(zhì)量及其影響因素之間復(fù)雜關(guān)系；經(jīng)驗(yàn)規(guī)則推理法推理過(guò)程簡(jiǎn)單，但對(duì)經(jīng)驗(yàn)知識(shí)的準(zhǔn)確性極為敏感，不準(zhǔn)確的知識(shí)往往帶來(lái)偏差較大的結(jié)果等缺陷。本發(fā)明將計(jì)算智能理論引入土地評(píng)價(jià)，將土地評(píng)價(jià)方法從傳統(tǒng)的單純依賴經(jīng)驗(yàn)知識(shí)的多因素評(píng)判法轉(zhuǎn)到以實(shí)際調(diào)査樣本為基礎(chǔ)的自學(xué)習(xí)方法或以已有知識(shí)為基礎(chǔ)、依據(jù)樣本進(jìn)行自學(xué)習(xí)修正的方法，構(gòu)建基于自學(xué)習(xí)、自適應(yīng)的土地評(píng)價(jià)神經(jīng)網(wǎng)絡(luò)方法，并引入遺傳優(yōu)化算法促進(jìn)土地評(píng)價(jià)的定量化和智能化。本發(fā)明采用人工神經(jīng)網(wǎng)絡(luò)方法進(jìn)行土地評(píng)價(jià)，這是一種和傳統(tǒng)的基于知識(shí)和數(shù)理邏輯推理的方法完全不同的思路。土地評(píng)價(jià)的人工神經(jīng)網(wǎng)絡(luò)方法，基于樣本數(shù)據(jù)而不是經(jīng)驗(yàn)和知識(shí)，采用機(jī)器學(xué)習(xí)的方法，自動(dòng)擬合參評(píng)因素和土地質(zhì)量之間的非線性關(guān)系，具有自學(xué)習(xí)性。同時(shí)根據(jù)神經(jīng)網(wǎng)絡(luò)模型因模型結(jié)構(gòu)中存在階躍函數(shù)等不可微激發(fā)函數(shù)而引起的收斂過(guò)于緩慢甚至發(fā)散，而引入遺傳優(yōu)化，構(gòu)建了基于遺傳優(yōu)化的土地評(píng)價(jià)方法，實(shí)現(xiàn)基于遺傳優(yōu)化的神經(jīng)網(wǎng)絡(luò)土地評(píng)價(jià)方法。發(fā)明主要內(nèi)容包括用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的連接權(quán)和遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)提高神經(jīng)網(wǎng)絡(luò)模型的準(zhǔn)確性和實(shí)用性，其中用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的連接權(quán)包括以下步驟(1)對(duì)神經(jīng)網(wǎng)絡(luò)各個(gè)連接權(quán)值和閾值按照一定順序(如降序或升序)排列，并采用二進(jìn)制編碼方案進(jìn)行編碼，隨機(jī)產(chǎn)生一組分布，進(jìn)而構(gòu)造出一組碼鏈，每個(gè)碼鏈代表神經(jīng)網(wǎng)絡(luò)的一種權(quán)值分布，即對(duì)應(yīng)于一個(gè)權(quán)值和閾值取特定值的神經(jīng)網(wǎng)絡(luò)；(2)對(duì)所產(chǎn)生的神經(jīng)網(wǎng)絡(luò)計(jì)算其在訓(xùn)練樣本集上的均方誤差，從而確定其適應(yīng)度，均方誤差越大，適應(yīng)度越??；(3)選擇若干適應(yīng)度值最大的個(gè)體直接遺傳至下一代；(4)利用交叉和變異的遺傳操作算子對(duì)當(dāng)前一代群體進(jìn)行處理，產(chǎn)生下一代群體；(5)重復(fù)步驟(2)(3)(4)，使初始確定的一組權(quán)值分布得到不斷的進(jìn)化，直到訓(xùn)練目標(biāo)得到滿足為止。用遺傳算法訓(xùn)練優(yōu)化神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的步驟是-(1)隨機(jī)產(chǎn)生N個(gè)結(jié)構(gòu)，對(duì)每個(gè)結(jié)構(gòu)編碼，每個(gè)編碼個(gè)體對(duì)應(yīng)一個(gè)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)；(2)用許多不同的初始權(quán)值分布對(duì)個(gè)體集中的結(jié)構(gòu)進(jìn)行訓(xùn)練；(3)根據(jù)訓(xùn)練的結(jié)果或其他策略確定每個(gè)個(gè)體的適應(yīng)度；(4)選擇若干適應(yīng)度值最大的個(gè)體，直接遺傳給下一代；(5)對(duì)當(dāng)前一代群體進(jìn)行交叉和變異的遺傳操作，以產(chǎn)生下一代群體；(6)重復(fù)(2)(5)，直到當(dāng)前一代群體中的某個(gè)個(gè)體能滿足要求為止。本發(fā)明較傳統(tǒng)的土地評(píng)價(jià)方法，存在以下幾方面優(yōu)勢(shì)(1)本發(fā)明提出的基于計(jì)算智能理論構(gòu)建的各種評(píng)價(jià)模型，徹底改變了傳統(tǒng)模型依賴于經(jīng)驗(yàn)知識(shí)、受人為影響較大、不具有廣泛適用性等缺點(diǎn)，使得土地評(píng)價(jià)模型具有了自學(xué)習(xí)性，模型的準(zhǔn)確性和實(shí)用性大大提高。該類(lèi)模型符合人們的邏輯習(xí)慣，易于理解。(2)土地評(píng)價(jià)遺傳神經(jīng)網(wǎng)絡(luò)模型構(gòu)造簡(jiǎn)單；自學(xué)習(xí)修正初始規(guī)則；遺傳訓(xùn)練收斂性好，結(jié)果準(zhǔn)確度較高，自學(xué)習(xí)得到的規(guī)則可完整提取。(3)基于遺傳優(yōu)化的神經(jīng)網(wǎng)絡(luò)方法還將提高評(píng)價(jià)系統(tǒng)的自動(dòng)化程度、結(jié)果可靠性、魯棒性和廣泛適應(yīng)性。圖1土地評(píng)價(jià)遺傳神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖圖2最優(yōu)個(gè)體適應(yīng)度值和群體適應(yīng)度平均值變化曲線圖(最大迭代次數(shù)為100)。圖3最優(yōu)個(gè)體適應(yīng)度值和群體適應(yīng)度平均值變化曲線圖(最大迭代次數(shù)為500)。圖4遺傳訓(xùn)練前后樣點(diǎn)分布及評(píng)價(jià)結(jié)果分布圖。圖5圖6為從兩個(gè)改進(jìn)的初始狀態(tài)進(jìn)行模糊神經(jīng)網(wǎng)絡(luò)的遺傳訓(xùn)練示意圖。具體實(shí)施例方式利用本發(fā)明構(gòu)建的基于遺傳優(yōu)化的土地評(píng)價(jià)方法，其結(jié)構(gòu)如附圖1所示，提出的評(píng)價(jià)方法對(duì)某地區(qū)水田適宜性開(kāi)展評(píng)價(jià)實(shí)踐，其初始參評(píng)指標(biāo)如下表初始宜水田評(píng)價(jià)因子指標(biāo)體系參評(píng)因子權(quán)重IIImIV有機(jī)質(zhì)含量tt)0.2>33~22~1<1土壤質(zhì)地0.1中壤、重壤輕粘、輕壤砂壤砂土、中粘水源條件0.2好較好一般差耕層厚度(cm)0,2>3030~2020~10<10地形坡度(')0.1<11~22~3>3全氮0.05>0.150.15-0.100.10~0.05<0.05全磷0.05>0.150.15~0.100.10~0.05<0.05全鉀0.05>22~1.01.0~0.5<0.5PH0.05<5.05.0~7.07.0~8.0>8.0用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的連接權(quán)包括以下步驟(1)對(duì)神經(jīng)網(wǎng)絡(luò)各個(gè)連接權(quán)值和閾值按照一定順序排列并采用二進(jìn)制編碼方案進(jìn)行編碼，隨機(jī)產(chǎn)生一組分布，進(jìn)而構(gòu)造出一組碼鏈，每個(gè)碼鏈代表神經(jīng)網(wǎng)絡(luò)的一種權(quán)值分布，即對(duì)應(yīng)于一個(gè)權(quán)值和閾值取特定值的神經(jīng)網(wǎng)絡(luò)；(2)對(duì)所產(chǎn)生的祌經(jīng)網(wǎng)絡(luò)計(jì)算其在訓(xùn)練樣本集上的均方誤差，從而確定其適應(yīng)度，均方誤差越大，適應(yīng)度越??；(3)選擇若干適應(yīng)度值最大的個(gè)體直接遺傳至下一代；(4)利用交叉和變異的遺傳操作算子對(duì)當(dāng)前一代群體進(jìn)行處理，產(chǎn)生下一代群體；(5)重復(fù)步驟(2)(3)(4)，使初始確定的一組權(quán)值分布得到不斷的進(jìn)化，直到訓(xùn)練目標(biāo)得到滿足為止。上述步驟(1)中對(duì)神經(jīng)網(wǎng)絡(luò)中的權(quán)值和閾值進(jìn)行編碼采用二進(jìn)制編碼方案，神經(jīng)網(wǎng)絡(luò)的每個(gè)連接權(quán)值都用一定長(zhǎng)的0/1串表示，閾值被看作是輸入為-1的連接權(quán)值，各連接權(quán)的字符串表示值和實(shí)際權(quán)值之間有如下關(guān)系<formula>formulaseeoriginaldocumentpage8</formula>其中，W(/J)表示實(shí)際權(quán)值，W"(0是由/位字符串所表示的二進(jìn)制整數(shù)，為各連接權(quán)的變化范圍，將所有對(duì)應(yīng)的OA串級(jí)聯(lián)在一起，得到的二進(jìn)制字符串就代表網(wǎng)絡(luò)的一種權(quán)值分布。上述神經(jīng)網(wǎng)絡(luò)的適應(yīng)度函數(shù)為F(x,^C-五(x,)或F(;c,)-l/五(x,)，其中，jc,表示染色體個(gè)體，F(xiàn)(x,)表示適應(yīng)度函數(shù)，五(;c,.)為均方誤差，C是一常數(shù)；對(duì)于某個(gè)染色體個(gè)體所描述的神經(jīng)網(wǎng)絡(luò)，訓(xùn)練樣本的均方誤差表示為雖,)ii;i^(di"))2式中，X,表示染色體個(gè)體，五(JC,)為均方誤差，d，和z^分別表示第"個(gè)樣本在第^個(gè)輸出神經(jīng)元的期望輸出和實(shí)際輸出，M為輸出層神經(jīng)元數(shù)，iV為樣本個(gè)數(shù)。用遺傳算法訓(xùn)練優(yōu)化神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的步驟是.-(1)隨機(jī)產(chǎn)生N個(gè)結(jié)構(gòu)，對(duì)每個(gè)結(jié)構(gòu)編碼，每個(gè)編碼個(gè)體(遺傳算法中的染色體)對(duì)應(yīng)一個(gè)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。(2)用許多不同的初始權(quán)值分布對(duì)個(gè)體集中的結(jié)構(gòu)進(jìn)行訓(xùn)練(采用遺傳算法或BP算法)。(3)根據(jù)訓(xùn)練的結(jié)果或其他策略確定每個(gè)個(gè)體的適應(yīng)度。(4)選擇若干適應(yīng)度值最大的個(gè)體，直接遺傳給下一代。(5)對(duì)當(dāng)前一代群體進(jìn)行交叉和變異等遺傳操作，以產(chǎn)生下一代群體。(6)重復(fù)(2)(5)，直到當(dāng)前一代群體中的某個(gè)個(gè)體(對(duì)應(yīng)著一個(gè)網(wǎng)絡(luò)結(jié)構(gòu))能滿足要求為止。在該區(qū)域收集樣本總數(shù)為200，其中訓(xùn)練集樣本140個(gè)，測(cè)試集樣本60個(gè)。采用前述的遺傳算法進(jìn)行訓(xùn)練。初始種群通過(guò)以模糊神經(jīng)網(wǎng)絡(luò)的初始狀態(tài)為基礎(chǔ)加隨機(jī)值的方法生成，種群規(guī)模為20。交換概率取為0.7，對(duì)未被交換的個(gè)體以概率為l.O進(jìn)行變異操作。為縮小搜索空間，加速收斂，按照前述方法以邏輯子集為基本單元執(zhí)行交叉和變異操作。附圖2和圖3為訓(xùn)練中最優(yōu)個(gè)體適應(yīng)度值和群體平均適應(yīng)度值隨進(jìn)化代數(shù)的變化曲線。其中上方曲線為最優(yōu)個(gè)體適應(yīng)度值的變化曲線，下方曲線為群體平均適應(yīng)度值的變化曲線；圖2和圖3分別為將最大迭代次數(shù)設(shè)定為100和500的情況。訓(xùn)練完成后，可以從模糊神經(jīng)網(wǎng)絡(luò)(最優(yōu)染色體)中導(dǎo)出調(diào)整后的規(guī)則庫(kù)，由于該規(guī)則庫(kù)是在初始規(guī)則庫(kù)的基礎(chǔ)上通過(guò)向?qū)嶋H調(diào)查樣本"學(xué)習(xí)"、調(diào)整得到的，因而更加符合實(shí)際情況。調(diào)整后的因子指標(biāo)體系見(jiàn)下表。附圖3是一個(gè)典型地區(qū)的樣本分布情況以及訓(xùn)練前和訓(xùn)練后的結(jié)果對(duì)比示例。調(diào)整后宜水田評(píng)價(jià)因子及指標(biāo)體系<table>tableseeoriginaldocumentpage10</column></row><table>從附圖3可以看出，訓(xùn)練前的評(píng)價(jià)結(jié)果圖中(采用初始的指標(biāo)體系評(píng)價(jià))，有許多樣本落在與其等級(jí)不一致的級(jí)別區(qū)域，主要有兩種情況，一是是在級(jí)別變換的交界處，二是在連續(xù)級(jí)別區(qū)域內(nèi)有零星分布的異質(zhì)樣本。這反映了指標(biāo)體系和調(diào)査結(jié)果的差異，也即經(jīng)驗(yàn)知識(shí)的不完備性和不準(zhǔn)確性。訓(xùn)練后這種情況得以改善和糾正，評(píng)價(jià)結(jié)果和調(diào)査樣本保持了較高的一致性。為了研究初始規(guī)則對(duì)于遺傳訓(xùn)練算法的影響，對(duì)初始的因子指標(biāo)體系根據(jù)前面的訓(xùn)練結(jié)果進(jìn)行少許改進(jìn)，再進(jìn)行遺傳訓(xùn)練。可以看出，遺傳訓(xùn)練的收斂速度加快，附圖4展示了模糊神經(jīng)網(wǎng)絡(luò)從兩個(gè)改進(jìn)的初始狀態(tài)開(kāi)始遺傳訓(xùn)練的情況。這說(shuō)明，盡管遺傳訓(xùn)練不依賴于初始規(guī)則，具有全局收斂性，但是初始規(guī)則的好壞對(duì)訓(xùn)練速度是有影響的，初始規(guī)則越接近客觀規(guī)律(樣本集所代表的映射)，訓(xùn)練速度越快。因此，實(shí)踐中根據(jù)經(jīng)驗(yàn)知識(shí)獲取比較客觀的初始規(guī)則，有利于加快收斂速度。權(quán)利要求1.一種基于人工神經(jīng)網(wǎng)絡(luò)的土地評(píng)價(jià)方法，其特征在于以實(shí)際調(diào)查樣本為基礎(chǔ)的自學(xué)習(xí)方法或以已有知識(shí)為基礎(chǔ)，依據(jù)樣本進(jìn)行自學(xué)習(xí)修正，構(gòu)建基于自學(xué)習(xí)、自適應(yīng)的神經(jīng)網(wǎng)絡(luò)的土地評(píng)價(jià)方法。2.根據(jù)權(quán)利要求1所述基于人工神經(jīng)網(wǎng)絡(luò)的土地評(píng)價(jià)方法，其特征在于用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的連接權(quán)和遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)提高神經(jīng)網(wǎng)絡(luò)模型的準(zhǔn)確性和實(shí)用性。3.根據(jù)權(quán)利要求2所述基于人工神經(jīng)網(wǎng)絡(luò)的土地評(píng)價(jià)方法，其特征在于用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的連接權(quán)包括以下步驟(1)對(duì)神經(jīng)網(wǎng)絡(luò)各個(gè)連接權(quán)值和閾值按照一定順序排列并采用二進(jìn)制編碼方案進(jìn)行編碼，隨機(jī)產(chǎn)生一組分布，進(jìn)而構(gòu)造出一組碼鏈，每個(gè)碼鏈代表神經(jīng)網(wǎng)絡(luò)的一種權(quán)值分布，即對(duì)應(yīng)于一個(gè)權(quán)值和閾值取特定值的神經(jīng)網(wǎng)絡(luò)；(2)對(duì)所產(chǎn)生的神經(jīng)網(wǎng)絡(luò)計(jì)算其在訓(xùn)練樣本集上的均方誤差，從而確定其適應(yīng)度，均方誤差越大，適應(yīng)度越?。?3)選擇若干適應(yīng)度值最大的個(gè)體直接遺傳至下一代；(4)利用交叉和變異的遺傳操作算子對(duì)當(dāng)前一代群體進(jìn)行處理，產(chǎn)生下一代群體；(5)重復(fù)步驟(2)(3)(4)，使初始確定的一組權(quán)值分布得到不斷的進(jìn)化，直到訓(xùn)練目標(biāo)得到滿足為止。4.根據(jù)權(quán)利要求3所述基于人工神經(jīng)網(wǎng)絡(luò)的土地評(píng)價(jià)方法，其特征在于對(duì)神經(jīng)網(wǎng)絡(luò)中的權(quán)值和閾值進(jìn)行編碼采用二進(jìn)制編碼方案，神經(jīng)網(wǎng)絡(luò)的每個(gè)連接權(quán)值都用一定長(zhǎng)的0/1串表示，閾值是輸入為-1的連接權(quán)值，各連接權(quán)的字符串表示值和實(shí)際權(quán)值之間有如下關(guān)系W("刀=『，("■/)+^X[『max("力一1("力+1]其中，w(/，/)表示實(shí)際權(quán)值，6/w(0是由/位字符串所表示的二進(jìn)制整數(shù)，[『min(z',_/)，『_(/，力]為各連接權(quán)的變化范圍，將所有對(duì)應(yīng)的0/1串級(jí)聯(lián)在一起，得到的二進(jìn)制字符串就代表網(wǎng)絡(luò)的一種權(quán)值分布。5.根據(jù)權(quán)利要求3所述基于人工神經(jīng)網(wǎng)絡(luò)的土地評(píng)價(jià)方法，其特征在于神經(jīng)網(wǎng)絡(luò)的適應(yīng)度函數(shù)為F(x,^C-五(x,)或F(x,):/五0,)，其中，a表示染色體個(gè)體，F(xiàn)(;c,)表示適應(yīng)度函數(shù)，五(x,)為均方誤差，C是一常數(shù)；對(duì)于某個(gè)染色體個(gè)體所描述的神經(jīng)網(wǎng)絡(luò)，訓(xùn)練樣本的均方誤差表示為w,)^i:i^")-zi"))2式中，a表示染色體個(gè)體，五(x,.)為均方誤差，"^和z^分別表示第"個(gè)樣本在第w個(gè)輸出神經(jīng)元的期望輸出和實(shí)際輸出，M為輸出層神經(jīng)元數(shù)，w為樣本個(gè)數(shù)。6.根據(jù)權(quán)利要求2所述基于人工神經(jīng)網(wǎng)絡(luò)的土地評(píng)價(jià)方法，其特征在于用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的步驟是(1)隨機(jī)產(chǎn)生n個(gè)結(jié)構(gòu)，對(duì)每個(gè)結(jié)構(gòu)編碼，每個(gè)編碼個(gè)體，即遺傳算法中的染色體對(duì)應(yīng)一個(gè)祌經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)；(2)用不同的初始權(quán)值分布對(duì)個(gè)體集中的結(jié)構(gòu)進(jìn)行訓(xùn)練；(3)根據(jù)訓(xùn)練的結(jié)果確定每個(gè)個(gè)體的適應(yīng)度；(4)選擇若干適應(yīng)度值最大的個(gè)體，直接遺傳給下一代；(5)對(duì)當(dāng)前一代群體進(jìn)行交叉和變異的遺傳操作，以產(chǎn)生下一代群體；(6)重復(fù)(2)(5)，直到當(dāng)前一代群體中的某個(gè)個(gè)體能滿足要求為止。7.根據(jù)權(quán)利要求6所述基于人工神經(jīng)網(wǎng)絡(luò)的土地評(píng)價(jià)方法，其特征在于用下式計(jì)算某一染色體被選中的概率尸c'式中，《表示某一染色體被選中的概率，x,表示種群中第z'個(gè)染色體，/(、)是第/個(gè)染色體的適應(yīng)度值，j]/(JC,)是種群中所有染色體的適應(yīng)度值之和。8.根據(jù)權(quán)利要求6所述基于人工神經(jīng)網(wǎng)絡(luò)的土地評(píng)價(jià)方法，其特征在于交叉操作是對(duì)染色體的邏輯子集的交換，即選擇兩個(gè)父輩染色體，以一點(diǎn)或多點(diǎn)交換方式將對(duì)應(yīng)的邏輯子集交換。9.根據(jù)權(quán)利要求6所述基于人工神經(jīng)網(wǎng)絡(luò)的土地評(píng)價(jià)方法，其特征在于變異采用有偏變異權(quán)值的方式，即從初始化概率分布中取一系列值分別加到邏輯子集的各數(shù)值上，保證變異后邏輯子集還應(yīng)滿足原有的數(shù)值條件。全文摘要本發(fā)明公開(kāi)了一種基于人工神經(jīng)網(wǎng)絡(luò)的土地評(píng)價(jià)方法，該方法以實(shí)際調(diào)查樣本為基礎(chǔ)的自學(xué)習(xí)方法或以已有知識(shí)為基礎(chǔ)，依據(jù)樣本進(jìn)行自學(xué)習(xí)修正，構(gòu)建基于自學(xué)習(xí)、自適應(yīng)的神經(jīng)網(wǎng)絡(luò)的土地評(píng)價(jià)方法。根據(jù)神經(jīng)網(wǎng)絡(luò)模型因模型結(jié)構(gòu)中存在階躍函數(shù)等不可微激發(fā)函數(shù)而引起的收斂過(guò)于緩慢甚至發(fā)散的問(wèn)題，而引入遺傳優(yōu)化，構(gòu)建了基于遺傳優(yōu)化的土地評(píng)價(jià)方法，實(shí)現(xiàn)基于遺傳優(yōu)化的神經(jīng)網(wǎng)絡(luò)土地評(píng)價(jià)方法。發(fā)明用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的連接權(quán)和遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)提高神經(jīng)網(wǎng)絡(luò)模型的準(zhǔn)確性和實(shí)用性。文檔編號(hào)G06Q10/00GK101599138SQ200910063040公開(kāi)日2009年12月9日申請(qǐng)日期2009年7月7日優(yōu)先權(quán)日2009年7月7日發(fā)明者劉耀林,劉艷芳,焦利民申請(qǐng)人:武漢大學(xué)