人工神经网络训练

使用说明

基于人工神经网络的元胞自动机(ANN- CA)特点是方法简单,无需人为确定模型结构、转换规则及模型参数,利用神经网络代替转换规则,并通过对神经网络进行样本训练,自动获取模型权重参数。以土地利用变化模拟为例,ANN- CA模型的输入为历史土地利用情况,以及土地利用变化的各个变量(如自然、交通区位、社会经济等推动城镇发展的驱动力因子),输出为各土地利用类型之间转换的概率。

进行基于人工神经网络的元胞自动机过程需要先进行人工神经网络训练,该过程的结果作为 基于人工神经网络的元胞自动机 的输入。

下图为ANN-CA原理示意。

ANN

功能入口

  • 工具箱 -> 栅格分析 ->元胞自动机:人工神经网络训练,将该工具拖拽到可视化建模窗口中,再双击该功能图形,后续应连接 基于人工神经网络的元胞自动机 算子。(iDesktopX)

参数说明

  • 训练起始栅格数据集 :设置待分析的栅格数据集及所在数据源。
  • 训练终止栅格数据集 :设置训练终止栅格数据集及所在数据源。
  • 参数设置

    • 训练栅格值:填写表示类别的栅格值,用逗号隔开,例如在土地利用类型栅格数据中,栅格值1代表水域、2代表森林、3代表农田、4代表城市用地,则该处应输入1,2,3,4。
    • 空间变量栅格数据 :添加代表影响因子的空间变量栅格数据,例如表示地形、交通等的栅格数据集。
    • 误差期望值 :即训练在达到期望误差后终止,取值为[0,1],期望误差越小,达到的结果越准确,但如果太小,可能永远无法终止。
    • 迭代最大次数 :即在训练一定次数后终止,是人工神经网络训练的终止条件。
    • 是否自定义邻域范围
    • 不勾选 :需要设置 邻域范围长度 ,即为元胞自动机考虑的正方形邻域的边长,确定提取抽样数据和进行模拟计算时所使用的NN范围的大小,范围越大,涉及的栅格越多,则当前栅格所受到邻域影响的栅格越多,可能需要根据模拟结果重新调整该参数再次进行模拟。建议取值在3-25之间,默认为7,代表使用77的栅格。
    • 勾选 :还需要设置 邻域范围数组 ,自定义勾选邻域范围长度组成的矩阵代表邻域范围。
    • 学习速率 :神经网络的学习速率,数值越大,训练收敛更快,但更容易陷入局部最优解。取值范围为[0,1],默认为0.2。
    • 抽样数目:采用随机抽样法得到训练样本的数量。抽样数目越大,则训练ANN时间越长,但需有一定的抽样数量以保证数据覆盖性,可以综合考虑数据的栅格总数及抽样成本来确定抽样数目。
    • 模型训练路径 :人工神经网络训练后的模型保存路径。