基于多层感知机与元胞自动机的整合模型构建及用地情景模拟
发布时间：2021-08-29 19:04
土地资源是人类生产生活发展的物质基础,也是自然环境重要的组成部分。人类在不断发展的同时,也影响和改变着全球生态环境变化。本文以三峡库区作为研究区域,以2010年土地利用现状数据为标签与13个驱动因子以及各类用地邻域因子共20个特征组成数据集,同时构建模型对研究区域进行模拟,并进行情景预测。主要内容及结论如下:1.构建多层神经网络与元胞自动机结合的模型对三峡库区2010年土地利用情况进行模拟。通过调整网络结构,来寻找最适合研究区域的模型。经过多次实验,以模拟精度与Kappa精度值作为评判指标,在隐藏层为3的情况下,模型的测试精度最高,达到0.959,总体Kappa精度值为0.93。2.针对数据样本不均衡问题,对模型进行优化。通过采用数据采样方法对训练数据进行处理,并将处理前后的数据分别导入神经网络与元胞自动机结合的模型中进行学习。经测试集测试,相对于数据处理前的最优网络模型,模拟总精度提升了0.52%,模拟精度达到最佳为0.964。总体Kappa精度值为0.9372,提高了0.77%。优化后的模型对于少数类样本模拟精度有显著提升,其中灌木地类型的Kappa精度提升最大,提高了146.01...
【文章来源】：重庆邮电大学重庆市
【文章页数】：73 页
【学位级别】：硕士
【部分图文】：
技术路线图
有一个前提条件，就是待区分的数据是必须是线性可分的。所以感知机的使用场景受到了局限。模型如下图 2.1 所示。图2.1 感知机模型图输出和输入之间学习到一个线性关系，得到中间输出结果：m1i ii x b(2.1)接着是一个神经元激活函数：1 0( )1 0sign (2.2)经过激活函数的处理后输出的结果 1 或者-1。这个模型只能用于二分类，且无法学习比较复杂的非线性模型。神经网络模型是在感知机模型的基础上做了以下改进：1. 增加了隐藏层。隐藏层位于输入层与输出层之间，可以有多层。增加隐藏层的作用是为了提高模型的表达能力。
ReLU 函数等。通过使用不同的激活函数，神经网络的表达能力进一步增强。具体模型如下图 2.2 所示：图2.2 神经网络模型图多层感知机模型(Multi-Layer Perception，简称MLP)又叫做深度神经网络模型(Deep Neural Networks，简称DNN)则是在传统神经网络模型上增加隐藏层的层数,从而能使模型能够拟合更复杂的情况。具体模型如下图2.3所示：图2.3 深度神经网络模型图
【参考文献】：
期刊论文
[1]基于SMOTEboost的大肠癌不平衡数据集的症型分类研究[J]. 刘芬,刘秀峰. 医学信息. 2018(23)
[2]深度学习优化算法研究[J]. 仝卫国,李敏霞,张一可. 计算机科学. 2018(S2)
[3]面向不平衡数据分类的最近邻三角区域合成少数类过采样技术[J]. 刘丹,王晓兰,邢胜. 科学技术与工程. 2018(28)
[4]基于决策树的西山煤田土地利用分类[J]. 杨二女. 华北国土资源. 2018(02)
[5]面向不平衡数据集的一种精化Borderline-SMOTE方法[J]. 杨毅,卢诚波,徐根海. 复旦学报(自然科学版). 2017(05)
[6]三峡库区土地利用/覆被变化及其驱动力研究进展[J]. 张冠华,张平仓,张晓峰. 中国水土保持. 2017(05)
[7]黄河三角洲人类活动强度的湿地景观格局梯度响应[J]. 韩美,张翠,路广,刘玉斌,余灏哲. 农业工程学报. 2017(06)
[8]重庆三峡库区土地利用时空转型及其生态环境响应研究——以重庆市忠县为例[J]. 谭静,官冬杰,虎帅. 资源开发与市场. 2017(03)
[9]基于遗传BP神经网络模型的土地利用变化预测模型研究[J]. 王崇倡,张畅. 测绘与空间地理信息. 2017(02)
[10]基于随机森林CA的东莞市多类土地利用变化模拟[J]. 张大川,刘小平,姚尧,张金宝. 地理与地理信息科学. 2016(05)
博士论文
[1]长三角地区土地利用变化的生态系统服务响应与可持续性情景模拟研究[D]. 吴蒙.华东师范大学 2017
[2]亚洲丝绸之路经济带土地退化时空格局及驱动力[D]. 单楠.中国林业科学研究院 2016
[3]准噶尔盆地表生生态环境演化及驱动力分析[D]. 张静.长安大学 2016
[4]三峡库区土地利用变化及结构优化研究[D]. 彭丽.华中农业大学 2013
[5]多尺度的景观空间关系及景观格局与生态效应的变化研究[D]. 高凯.华中农业大学 2010
[6]三峡库区（重庆）典型区县土地利用/覆被变化及其生态环境效应分析[D]. 彭月.西南大学 2010
硕士论文
[1]基于FMOLP-MCE-CA耦合模型的重庆市土地利用情境预测与模拟[D]. 刘贤.重庆师范大学 2018
[2]基于ELM的高光谱遥感影像土地利用覆盖分类优化方法研究[D]. 李丽.电子科技大学 2018
[3]基于CA-Markov-Ann的昆明市土地利用格局模拟及预测研究[D]. 杨佳.云南财经大学 2018
[4]类别不平衡与代价敏感数据的集成分类方法研究[D]. 魏勋.中国科学技术大学 2017
[5]三峡库区腹地土地功能演变和生态效应研究[D]. 黄勇.重庆师范大学 2016
本文编号：3371210
【文章来源】：重庆邮电大学重庆市
【文章页数】：73 页
【学位级别】：硕士
【部分图文】：
技术路线图
有一个前提条件，就是待区分的数据是必须是线性可分的。所以感知机的使用场景受到了局限。模型如下图 2.1 所示。图2.1 感知机模型图输出和输入之间学习到一个线性关系，得到中间输出结果：m1i ii x b(2.1)接着是一个神经元激活函数：1 0( )1 0sign (2.2)经过激活函数的处理后输出的结果 1 或者-1。这个模型只能用于二分类，且无法学习比较复杂的非线性模型。神经网络模型是在感知机模型的基础上做了以下改进：1. 增加了隐藏层。隐藏层位于输入层与输出层之间，可以有多层。增加隐藏层的作用是为了提高模型的表达能力。
ReLU 函数等。通过使用不同的激活函数，神经网络的表达能力进一步增强。具体模型如下图 2.2 所示：图2.2 神经网络模型图多层感知机模型(Multi-Layer Perception，简称MLP)又叫做深度神经网络模型(Deep Neural Networks，简称DNN)则是在传统神经网络模型上增加隐藏层的层数,从而能使模型能够拟合更复杂的情况。具体模型如下图2.3所示：图2.3 深度神经网络模型图
【参考文献】：
期刊论文
[1]基于SMOTEboost的大肠癌不平衡数据集的症型分类研究[J]. 刘芬,刘秀峰. 医学信息. 2018(23)
[2]深度学习优化算法研究[J]. 仝卫国,李敏霞,张一可. 计算机科学. 2018(S2)
[3]面向不平衡数据分类的最近邻三角区域合成少数类过采样技术[J]. 刘丹,王晓兰,邢胜. 科学技术与工程. 2018(28)
[4]基于决策树的西山煤田土地利用分类[J]. 杨二女. 华北国土资源. 2018(02)
[5]面向不平衡数据集的一种精化Borderline-SMOTE方法[J]. 杨毅,卢诚波,徐根海. 复旦学报(自然科学版). 2017(05)
[6]三峡库区土地利用/覆被变化及其驱动力研究进展[J]. 张冠华,张平仓,张晓峰. 中国水土保持. 2017(05)
[7]黄河三角洲人类活动强度的湿地景观格局梯度响应[J]. 韩美,张翠,路广,刘玉斌,余灏哲. 农业工程学报. 2017(06)
[8]重庆三峡库区土地利用时空转型及其生态环境响应研究——以重庆市忠县为例[J]. 谭静,官冬杰,虎帅. 资源开发与市场. 2017(03)
[9]基于遗传BP神经网络模型的土地利用变化预测模型研究[J]. 王崇倡,张畅. 测绘与空间地理信息. 2017(02)
[10]基于随机森林CA的东莞市多类土地利用变化模拟[J]. 张大川,刘小平,姚尧,张金宝. 地理与地理信息科学. 2016(05)
博士论文
[1]长三角地区土地利用变化的生态系统服务响应与可持续性情景模拟研究[D]. 吴蒙.华东师范大学 2017
[2]亚洲丝绸之路经济带土地退化时空格局及驱动力[D]. 单楠.中国林业科学研究院 2016
[3]准噶尔盆地表生生态环境演化及驱动力分析[D]. 张静.长安大学 2016
[4]三峡库区土地利用变化及结构优化研究[D]. 彭丽.华中农业大学 2013
[5]多尺度的景观空间关系及景观格局与生态效应的变化研究[D]. 高凯.华中农业大学 2010
[6]三峡库区（重庆）典型区县土地利用/覆被变化及其生态环境效应分析[D]. 彭月.西南大学 2010
硕士论文
[1]基于FMOLP-MCE-CA耦合模型的重庆市土地利用情境预测与模拟[D]. 刘贤.重庆师范大学 2018
[2]基于ELM的高光谱遥感影像土地利用覆盖分类优化方法研究[D]. 李丽.电子科技大学 2018
[3]基于CA-Markov-Ann的昆明市土地利用格局模拟及预测研究[D]. 杨佳.云南财经大学 2018
[4]类别不平衡与代价敏感数据的集成分类方法研究[D]. 魏勋.中国科学技术大学 2017
[5]三峡库区腹地土地功能演变和生态效应研究[D]. 黄勇.重庆师范大学 2016
本文编号：3371210
本文链接：https://www.wllwen.com/jingjilunwen/nongyejingjilunwen/3371210.html
