1SOM網絡基本原理和結構
SOM網絡，也稱kohonen網絡，由芬蘭學者Kohonen［1］於1981年提出，其認爲處於空間中不同區域的神經元有不同的分工，當一個神經網絡接受外界輸入模式時，將會分爲不同的反應區域，各區域對輸入模式具有不同的響應特徵［2］。SOM網絡被廣泛地應用於分類聚類、語音識別、數據分析和預測等多個領域。
1．1網絡結構SOM網絡由輸入層和輸出層組成，其中輸入層模擬感知外界輸入信息的視網膜，輸出層(競爭層)模擬作出響應的大腦皮層。樣本從輸入層進入網絡內部;輸出層上神經元之間相互競爭，使得若干神經元活躍，並最終成爲獲勝結點。神經元的排列形式一般有一維陣列和二維陣列2種，其中二維陣列(圖1)應用最爲廣泛。
1．2學習過程SOM網絡的學習過程是一個尋找最優權值的過程:網絡中有多個神經元分佈，其權值用來模擬人腦的記憶單元，計算每個神經元權值與輸入樣本的歐式距離，距離最小的`神經元爲獲勝神經元，獲勝的神經元及其鄰域內的神經元採用一定的規則在訓練中逐步調整權值，直到得到一個較好的權值分佈。最終可使網絡的某些節點成爲對特定模式類敏感的神經細胞，從而形成能夠反映樣本模式類分佈情況的有序特徵圖。
2基於SOM網絡的農業產業結構研究模型
2．1農業產業結構由於我國氣候、降水、土壤、地形等自然條件差異較大，農業類型呈多樣化形式，其分佈具有較強的地域性。如青海省獨特的地理環境及其資源條件，客觀上決定了其地表資源利用的主體方式是農牧業［3］。全面瞭解各地區的農業產業結構，分析各地區農業的優勢和劣勢，有利於農業的發展和相關政策的制定。農業產業結構也稱爲農業生產結構，是一定地域的農業其各產業部門的組成和構成比例。是農業生產力合理組合和開發利用方面的基本問題，影響着農業資源是否能合理應用。通常可以分爲3個層次:一是生產結構，表現爲不同生產部門之間的比例;二是產品結構，表現爲同一生產部門中不同產品之間的結構;三是品種結構，主要表現爲某一產品中不同品種之間的比例。
2．2SOM農業產業模型網絡分爲2層，輸入層上將產業結構數據作爲樣本輸入值，維數爲4，競爭層採用二維陣列，節點數爲5×5。對網絡進行權值初始化操作，通常設置爲(0，1)的隨機數，建立獲勝領域初始值Nj(0)，確定學習速率的初始值η(0)(0＜η(0)＜1)和學習次數T。再對樣本進行如下運算:①計算Xpi與ωji之間的歐氏距離，尋找獲勝節點，找出歐式距離最小的獲勝節點;②定義優勝領域Nj(t)，通常初始領域Nj(0)較大，在訓練過程中Nj(t)隨訓練時間逐漸收縮;定義學習率η(t)，通常η(t)隨着時間增大而減小;③修改權值，對優勝領域Nj(t)內的所有節點按照規則進行權值調整，ωji(t+1)=ωji(t)+η(t)(Xpi－ωji(t))i=1，2，…，n，j∈Nj(t);④選取下一個樣本進入網絡的輸入層，返回步驟①，直到所有樣本學習完畢;⑤t=t+1，返回步驟②，直至t=T爲止。
3實例應用
選取生產結構爲研究點，對我國31個省、市、區的農業內部結構作聚類研究，各地區農業中種植業、漁業、畜牧業和林業所佔的比重如表1所示。SOM網絡是一種自組織網絡，能夠根據樣本的固有特徵自動聚類，將31個地區的產業結構數據作爲樣本輸入值，得到31個地區的農業產業結構分佈，聚類結果分爲4類，如表2所示。通過試驗可以得出，第一類代表的是以種植業和漁業爲主的地區;第二類代表了種植業佔明顯優勢的地區;第三類代表了種植業稍佔優勢且畜牧業發展良好的地區;第四類地區是以種植業爲主，畜牧業和漁業爲輔的結構。
4結語
SOM算法是一種無導師學習方法，其網絡具有良好的自組織性，能夠挖掘數據之間的關聯並自動進行聚類。試驗表明，引用SOM網絡對全國農業產業結構的聚類分析是有效的，可以爲後期的農業規劃提供數據依據。