SOM神经网络的研究及在水文分区中的应用

【摘要】：本文主要研究了主成分分析法、自组织映射神经网络以及基于合并的层次聚类的扩展自组织映射神经网络及在江西省水文分区中的应用。 由主成分分析法得到每个主成分的贡献率,把特征分量贡献率引入到自组织映射神经网络中,在竞争过程中选用加权欧氏距离来寻找获胜神经元,对传统的自组织映射神经网络进行了改进,在本文中提出了一种加权SOM神经网络,填补了在实际应用中传统SOM神经网络没有考虑各特征分量的重要性不同的空白。 把基于合并的层次聚类的扩展SOM神经网络应用到江西省水文站网分类中,对传统SOM神经网络与加权SOM神经网络分类的结果进行了比较,得出 1) 在竞争过程中选用加权的欧氏距离是可取的; 2) 加权SOM网络能够提高网络聚类的效果; 3) 网络的聚类结果对学习率初值十分敏感。 层次聚类方法的优点是能够看到聚类形成的类和类之间的层次关系,能够表示类和类之间层次结构,因此用扩展的SOM神经网络对水文站进行分类,更有利于在各个水文分区内用水文相似方法综合各基本特征值,并且根据水文相似法将其移用于无资料地区。