李賽++鄒麗華

摘 要：本文采用無(wú)導(dǎo)師監(jiān)督的SOM網(wǎng)絡(luò)，對(duì)全國(guó)31個(gè)省市自治區(qū)的人民生活質(zhì)量進(jìn)行了綜合評(píng)價(jià)，在沒(méi)有先驗(yàn)信息的條件下，不采用人為主觀賦予各指標(biāo)權(quán)重的辦法，轉(zhuǎn)而運(yùn)用自組織神經(jīng)網(wǎng)絡(luò)自組織競(jìng)爭(zhēng)學(xué)習(xí)的網(wǎng)絡(luò)方法來(lái)進(jìn)行賦值、計(jì)算和評(píng)價(jià)，消除了主觀確定各指標(biāo)的權(quán)重的主觀性，得到的結(jié)果較為符合各省市自治區(qū)的實(shí)際結(jié)果。

關(guān)鍵詞：聚類分析；K-Means聚類；系統(tǒng)聚類；自組織神經(jīng)網(wǎng)絡(luò)；人民生活質(zhì)量

一、引言（研究現(xiàn)狀）

自改革開(kāi)放以來(lái)，我國(guó)生產(chǎn)力極大發(fā)展，生活水平總體上得到了提高。但是，地區(qū)間的發(fā)展不平衡始終存在，而且差距越來(lái)越大，不同地區(qū)人民的生活水平也存在顯著的差異。據(jù)此，我們利用自組織人工神經(jīng)網(wǎng)絡(luò)方法對(duì)全國(guó)31個(gè)省市自治區(qū)的人民生活水平質(zhì)量進(jìn)行分析評(píng)價(jià)。

二、指標(biāo)選取與預(yù)處理

1.指標(biāo)選取

遵循合理性、全面性、可操作性、可比性的原則，從以下5個(gè)層面共11個(gè)二級(jí)指標(biāo)構(gòu)建了人民生活質(zhì)量綜合評(píng)價(jià)指標(biāo)體系（如下表所示）。

人民生活質(zhì)量綜合評(píng)價(jià)指標(biāo)體系

2.指標(biāo)預(yù)處理

（1）正向指標(biāo)是指標(biāo)數(shù)據(jù)越大，則評(píng)價(jià)也高，如人均可支配收入，人均公園等。

正向指標(biāo)的處理規(guī)則如下（1）：

Kohonen 自組織神經(jīng)網(wǎng)絡(luò)

輸入層是一個(gè)一維序列，該序列有N個(gè)元素，對(duì)應(yīng)于樣本向量的維度；競(jìng)爭(zhēng)層又稱為輸出層，該層是由M′N=H個(gè)神經(jīng)元組成的二維平面陣列其神經(jīng)元的個(gè)數(shù)對(duì)應(yīng)于輸出樣本空間的維數(shù)，可以使一維或者二維點(diǎn)陣。

競(jìng)爭(zhēng)層之間的神經(jīng)元與輸入層之間的神經(jīng)元是全連接的， 在輸入層神經(jīng)元之間沒(méi)有權(quán)連接，在競(jìng)爭(zhēng)層的神經(jīng)元之間有局部的權(quán)連接，表明競(jìng)爭(zhēng)層神經(jīng)元之間的側(cè)反饋?zhàn)饔?。?xùn)練之后的競(jìng)爭(zhēng)層神經(jīng)元代表者不同的分類樣本。

自組織特征映射神經(jīng)網(wǎng)絡(luò)的目標(biāo)：從樣本的數(shù)據(jù)中找出數(shù)據(jù)所具有的特征，達(dá)到能夠自動(dòng)對(duì)樣本進(jìn)行分類的目的。

2.網(wǎng)絡(luò)反饋算法

自組織網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程可分為以下兩步：

（1）神經(jīng)元競(jìng)爭(zhēng)學(xué)習(xí)過(guò)程

對(duì)于每一個(gè)樣本向量，該向量會(huì)與和它相連的競(jìng)爭(zhēng)層中的神經(jīng)元的連接權(quán)進(jìn)行競(jìng)爭(zhēng)比較（相似性的比較），這就是神經(jīng)元競(jìng)爭(zhēng)的過(guò)程。相似性程度最大的神經(jīng)元就被稱為獲勝神經(jīng)元，將獲勝神經(jīng)元稱為該樣本在競(jìng)爭(zhēng)層的像，相同的樣本具有相同的像。

（2）側(cè)反饋過(guò)程

競(jìng)爭(zhēng)層中競(jìng)爭(zhēng)獲勝的神經(jīng)元會(huì)對(duì)周圍的神經(jīng)元產(chǎn)生側(cè)反饋?zhàn)饔?，其?cè)反饋機(jī)制遵循以下原則：以獲勝神經(jīng)元為中心，對(duì)臨近鄰域的神經(jīng)元表現(xiàn)為興奮性側(cè)反饋。以獲勝神經(jīng)元為中心，對(duì)鄰域外的神經(jīng)元表現(xiàn)為抑制性側(cè)反饋。

對(duì)于競(jìng)爭(zhēng)獲勝的那個(gè)神經(jīng)元j，其鄰域內(nèi)的神經(jīng)元在不同程度程度上得到興奮的側(cè)反饋，而在Nj（t）外的神經(jīng)元都得到了抑制的側(cè)反饋。Nj（t）是時(shí)間t的函數(shù)，隨著時(shí)間的增加，Nj（t）圍城的面積越來(lái)越小，最后只剩下一個(gè)神經(jīng)元，而這個(gè)神經(jīng)元，則反映著一個(gè)類的特征或者一個(gè)類的屬性。

3.評(píng)價(jià)流程

（1）對(duì)n個(gè)輸入層輸入神經(jīng)元到競(jìng)爭(zhēng)層輸出神經(jīng)元j的連接權(quán)值為（6）式：

（2）獲勝鄰域j*（t），設(shè)定為鄰域函數(shù)（h）t，表示第i個(gè)神經(jīng)元與獲勝神經(jīng)元之間的距離函數(shù)。S2會(huì)隨著學(xué)習(xí)的進(jìn)行而減小，從而鄰域在學(xué)習(xí)初期很寬，隨著學(xué)習(xí)的進(jìn)行會(huì)變窄。因此，權(quán)值隨著學(xué)習(xí)的進(jìn)行從較大幅度調(diào)整向微小幅度調(diào)整變化。鄰域函數(shù)產(chǎn)生了有效的映射作用。其中鄰域函數(shù)的表達(dá)式如下（8）式所示

分析結(jié)果如下：

第一類：北京，天津，遼寧，上海，江蘇，浙江，廣東

第二類：福建，山東，湖北，重慶，陜西

第三類：河北，山西，內(nèi)蒙古，吉林，黑龍江，江西，湖南

第四類：安徽，河南，廣西，海南，四川，貴州，云南，西藏，甘肅，青海，寧夏，新疆基于分類結(jié)果，得知第一類中的各地區(qū)的人民生活質(zhì)量最高，主要分布于東部沿海。這些地區(qū)共同點(diǎn)是：工業(yè)和經(jīng)濟(jì)文化實(shí)力雄厚，基礎(chǔ)設(shè)施建設(shè)齊全，醫(yī)療衛(wèi)生事業(yè)、教育水平高度發(fā)達(dá)。

對(duì)于第二類，他們的生活質(zhì)量相對(duì)于第一類次之，但比第三、四類的評(píng)價(jià)則較優(yōu)。福建是東南部沿海的經(jīng)濟(jì)大省，山東、湖北、陜西具有較強(qiáng)的工業(yè)實(shí)力和較高的教育水平；重慶市內(nèi)地唯一的直轄市，境內(nèi)有長(zhǎng)江干道，這五省的共同他點(diǎn)在于其工業(yè)實(shí)力較強(qiáng)，教育水平發(fā)達(dá)，基礎(chǔ)設(shè)施齊全。

第三類中的諸多省份均是我國(guó)農(nóng)業(yè)和采礦業(yè)大省，相比前兩類，他們則是缺少雄厚的工業(yè)基礎(chǔ)，但有良好的氣候條件社會(huì)環(huán)境和豐富的自然資源。

第四類，造成這些地區(qū)的人民生活質(zhì)量較差的原因多且復(fù)雜。就安徽、河南而言，自古以來(lái)河南是華夏文化的中心，安徽是有名的產(chǎn)量大省，是什么因素限制了它們生活水平的發(fā)展還值得考究。廣西，海南，貴州，云南，西藏，等的一個(gè)共性在于自然條件的劣勢(shì)。廣西，海南自古以來(lái)是官員貶庶之地；貴州、則云南困于云貴高原，交通向來(lái)閉塞；西藏、青海更是由于自然環(huán)境惡劣而在各方面的發(fā)展較為欠缺；寧夏、甘肅、新疆則是身居內(nèi)地，生活用水奇缺，種植業(yè)較為薄弱，多以畜牧為主，自古有甘涼不毛之地之說(shuō)。四川則居于天府之國(guó)，但人口基數(shù)龐大且發(fā)展不平衡，所以人民生活質(zhì)量也不是很高。

總體而言，此分類結(jié)果與實(shí)際基本吻合；但受變量體系等因素的干擾，部分地區(qū)仍然存在疑問(wèn)，具體原因還值得進(jìn)一步探討。

五、模型評(píng)價(jià)

網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)單、自組織自學(xué)習(xí)能力強(qiáng)和學(xué)習(xí)速度快是自組織網(wǎng)絡(luò)所具有的優(yōu)點(diǎn)，在樣本識(shí)別上具有很強(qiáng)的優(yōu)勢(shì)。此外，它將輸出表現(xiàn)成一維或者二維的概率密度分布，因此運(yùn)用越來(lái)越來(lái)廣泛。對(duì)于實(shí)際中復(fù)雜和高維度的數(shù)據(jù)，該網(wǎng)絡(luò)具有較好的適應(yīng)性和識(shí)別性。它本屬于一種無(wú)監(jiān)督的自主競(jìng)爭(zhēng)學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)，網(wǎng)絡(luò)根據(jù)樣本的特征進(jìn)行自組織學(xué)習(xí)競(jìng)爭(zhēng)、聚類，將高維數(shù)據(jù)映射到低維度的二維平面，能夠較好地在保持?jǐn)?shù)據(jù)拓?fù)浣Y(jié)構(gòu)不變的情況下進(jìn)行數(shù)據(jù)壓縮和識(shí)別。其聚類的客觀性，更適用于于處理海量未知數(shù)據(jù)問(wèn)題。以此同時(shí)，由于模型的可視化，在人們開(kāi)發(fā)和構(gòu)建新型網(wǎng)絡(luò)變得更加簡(jiǎn)潔，易于被人們接受。

自組織神經(jīng)網(wǎng)絡(luò)的二維拓?fù)溆成鋱D的可視性很強(qiáng)，通過(guò)映射圖，可以直接觀察到數(shù)據(jù)的特征。同時(shí)，清晰的了解其分類情況。但是，傳統(tǒng)自組織特征映射神經(jīng)網(wǎng)絡(luò)采用了向量?jī)?nèi)積、歐氏距離函數(shù)等確定輸入樣本最為相似的連接權(quán)向量，這就要求數(shù)據(jù)必須是連續(xù)的，若數(shù)據(jù)是離散的或者數(shù)據(jù)為順序型或者屬性型，則就不能勝任聚類這項(xiàng)任務(wù)。

參考文獻(xiàn)：

[1]張建萍，劉希玉.基于聚類分析的K-means算法研究及應(yīng)用[J].計(jì)算機(jī)應(yīng)用研究，20075（5）：166-168.

[2]么枕生.用于數(shù)值分類的聚類分析[J].海洋湖沼通報(bào)，1994（2）：2-12.

[3]劉慧，馮乃琴，南書(shū)坡，王偉.基于粗糙集理論和SOFM神經(jīng)網(wǎng)絡(luò)的聚類方法[J].計(jì)算機(jī)與應(yīng)用軟件，200926（8）：228-230.

[4]郭偉業(yè)，趙曉丹，龐英智，奇志.數(shù)據(jù)挖掘中SOM神經(jīng)網(wǎng)絡(luò)的聚類方法研究[J].情報(bào)科學(xué)，2009，7（6）：874-876.

[5]王家偉，周浩宇，同慶，田宏杰，賈花萍.基于MATLAB的自組織特征映射網(wǎng)絡(luò)的實(shí)際應(yīng)用[J].電子設(shè)計(jì)工程，2013，21（6）：47-48.

[6]郭麗華.人工神經(jīng)網(wǎng)絡(luò)基礎(chǔ)[M].哈爾濱：哈爾濱工程大學(xué)出版社，2008.

[7]王國(guó)梁，何曉群.多變量經(jīng)濟(jì)數(shù)據(jù)統(tǒng)計(jì)分析[M].西安：西安陜西科學(xué)技術(shù)出版社，1993.

[8]宋浩遠(yuǎn).基于模型的聚類方法研究[J].重慶科技學(xué)院學(xué)報(bào)，2008（7）：71-71.

[9]何曉群.多元統(tǒng)計(jì)分析[M].3版.北京：北京中國(guó)人名大學(xué)出版社，2012.

[10]韓力群.人工神經(jīng)網(wǎng)絡(luò)理論、設(shè)計(jì)及運(yùn)用[M].北京：北京化學(xué)工業(yè)出版社，2007.

作者簡(jiǎn)介：李賽（1990.05- ），男，漢族，河北省石家莊市，研究

生碩士，云南大學(xué)