下载文档原格式
文章编号：1000-9779（2001）04-0047-03Kohonen 神经网络在公路网布局中的应用唐贤瑛，郭香妍（长沙交通学院，湖南长沙410076）摘要：以江苏公路网部分节点数据为例，研究Kohonen 神经网络在公路网布局中的运用。
结果证实，运用神经网络是可靠的。
关键词：公路网布局；Kohonen 网络；节点中图分类号：U412.1文献标识码：A !根据我国交通主管部门的要求，将公路网规划列为公路建设前期工作的重要组成部分。
它是确保公路网布局合理、有秩序协调发展、防止建设决策的随意性和盲目性的必要手段。
公路网规划是公路交通部门按照社会需要选定建设方案、分析方案优劣，对规划实施进行指导，从而使公路网的建设尽量满足社会需要的过程，并根据规划区域实际情况确定线路走向，以完善网络的结构的方法［1］。
公路网规划问题可归结为节点的分类问题。
传统的算法是节点规划法，即按节点的某些特征参数确定网络的联络点，进而规划线路走向。
选择节点有两种方法。
1）重要度法：重要度是区域内各节点相对重要性的一种综合量度。
用重要度来排定节点的顺序，进而选择节点。
2）动态聚类法：将区域中所有节点视为聚类分析的样本，按一定的标准将样本分成不同的类，然后根据需要逐类处理、选择节点。
本文运用神经网络模式识别方法来研究节点的分类。
Kohonen 提出一种自组织映射模型，当外界输入不同的样本到该模型中，一开始时，输入样本引起输出兴奋的细胞的位置各不相同，但自组织后会形成一些细胞群，它们分别代表了输入样本，反映了输入样本的特性。
这个映射的过程是用一个简单的竞争算法来完成的。
它可作为一种样本特征检验器，使一些无规律的样本自动分类。
本文利用Koho-nen 网络的特点，将Kohonen 网络应用于公路网布局，取得了满意的结果。
图1网络结构1Kohonen 网络的结构Kohonen 网络由输入层和输出层两层网络组成。
输入层接收输入样本；输出层（竞争层次）对输入样本进行分类。
在众多聚类算法中，K-means和自组织神经网络 (SOM)是较为经典的两种。
基于SOM的K-means两阶段聚类算法结合了这两种算法的优点。
首先，SOM算法自动进行聚类，为数据提供一个初步的聚类结构和中心点。
然后，这些初步的聚类数目和中心点作为K-means算法的初始输入，进一步进行精确的聚类，从而得到更为准确的聚类信息。
此外，某研究应用此算法对某地区电信家庭客户数据进行分析，结果显示该算法具有较好的聚类效果。
这表明SOM+K-means两阶段聚类算法在实际应用中具有较高的有效性和可靠性。
人工神经网络简介本文主要对人工神经网络基础进行了描述，主要包括人工神经网络的概念、发展、特点、结构、模型。
本文是个科普文，来自网络资料的整理。
一、人工神经网络的概念人工神经网络（Artificial Neural Network，ANN）简称神经网络(NN)，是基于生物学中神经网络的基本原理，在理解和抽象了人脑结构和外界刺激响应机制后，以网络拓扑知识为理论基础，模拟人脑的神经系统对复杂信息的处理机制的一种数学模型。
该模型以并行分布的处理能力、高容错性、智能化和自学习等能力为特征，将信息的加工和存储结合在一起，以其独特的知识表示方式和智能化的自适应学习能力，引起各学科领域的关注。
它实际上是一个有大量简单元件相互连接而成的复杂网络，具有高度的非线性，能够进行复杂的逻辑操作和非线性关系实现的系统。
神经网络是一种运算模型，由大量的节点（或称神经元）之间相互联接构成。
每个节点代表一种特定的输出函数，称为激活函数（activation function）。
每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重（weight），神经网络就是通过这种方式来模拟人类的记忆。
网络的输出则取决于网络的结构、网络的连接方式、权重和激活函数。
而网络自身通常都是对自然界某种算法或者函数的逼近，也可能是对一种逻辑策略的表达。
神经网络的构筑理念是受到生物的神经网络运作启发而产生的。
人工神经网络则是把对生物神经网络的认识与数学统计模型相结合，借助数学统计工具来实现。
另一方面在人工智能学的人工感知领域，我们通过数学统计学的方法，使神经网络能够具备类似于人的决定能力和简单的判断能力，这种方法是对传统逻辑学演算的进一步延伸。
人工神经网络中，神经元处理单元可表示不同的对象，例如特征、字母、概念，或者一些有意义的抽象模式。
网络中处理单元的类型分为三类：输入单元、输出单元和隐单元。
输入单元接受外部世界的信号与数据；输出单元实现系统处理结果的输出；隐单元是处在输入和输出单元之间，不能由系统外部观察的单元。
竞争型神经网络是基于无监督学习的神经网络的一种重要类型，作为基本的网络形式，构成了其他一些具有组织能力的网络，如学习向量量化网络、自组织映射网络、自适应共振理论网络等。
与其它类型的神经网络和学习规则相比，竞争型神经网络具有结构简单、学习算法简便、运算速度快等特点。
竞争型神经网络模拟生物神经网络系统依靠神经元之间的兴奋、协调与抑制、竞争的方式进行信息处理。
一个竞争神经网络可以解释为：在这个神经网络中，当一个神经元兴奋后，会通过它的分支对其他神经元产生抑制，从而使神经元之间出现竞争。
当多个神经元受到抑制，兴奋最强的神经细胞“战胜”了其它神经元的抑制作用脱颖而出，成为竞争的胜利者，这时兴奋最强的神经元的净输入被设定为 1，所有其他的神经元的净输入被设定为 0，也就是所谓的“成者为王，败者为寇”。
一般说来，竞争神经网络包含两类状态变量：短期记忆变元（STM）和长期记忆变元（LTM）。
STM 描述了快速变化的神经元动力学行为，而 LTM 描述了无监督的神经细胞突触的缓慢行为。
因为人类的记忆有长期记忆（LTM）和短期记忆（STM）之分，因此包含长时和短时记忆的竞争神经网络在理论研究和工程应用中受到广泛关注。
竞争性神经网络模型图自组织特征映射神经网络（简称SOM），是由输入层和输出层组成的单层神经网络，主要用于对输入向量进行区域分类。
SOM是一种无导师聚类，能将一维输入模式在输出层映射成二维离散图形，此图形分布在网格中，网格大小由m*n 表示，并保持其拓扑结构不变，从而使有相似特征的神经元彼此靠近，不同特征的神经元彼此远离，最终实现区分识别样品的目的。
SOM 通过学习输入向量的分布情况和拓扑结构，靠多个神经元的协同作用来完成模式分类。
当神经网络接受外界输入模式时，神经网络就会将其分布在不同的对应区域，并且记忆各区域对输入模式的不同响应特征，使各神经元形成有序的空间分布。
当输入不同的样品光谱时，网络中的神经元便随机兴奋，经过SOM 训练后神经元在输出层有序排列，作用相近的神经元相互靠近，作用不同的神经元相互远离。
