粒子群神经网络混合模型在农用地分等中的应用

针对常规农用地分等模型因子权重计算存在人为干扰和神经网络模型自身优化过程中易陷入局部最优的情况,该文综合了BP神经网络非线性权重数据挖掘特性和粒子群的全局优化能力,建立了农用地分等计算的粒子群神经网络混合模型(PSO-BP网络模型),并应用于广东省揭西县农用地分等计算中,发现PSO-BP网络模型能避免定级因子权重确定的人为干扰,同时具有较高的优化效率,应用效果较好。     

基于粒子群双重空间聚类的城镇地价空间分异规律挖掘

城镇地价的空间分异对其动态监测片区划定具有重要的参考作用,而空间聚类则是对该问题进行分析的一种有效方法.文中在分析空间聚类本质的基础上,设计了一种基于样本数据的粒子群双重空间聚类挖掘模型,并以北海市二手房地价空间分布挖掘为实例进行了应用.结果表明:粒子群双重空间聚类在空间聚类效果上优于传统K-均值聚类法,尤其是对于任意形状聚类簇的挖掘;然而,由于标准粒子群优化算法机理的限制,其聚类效果随聚类中心的增多而呈下降趋势.总体而言,该方法能利用有限的样本挖掘质量较好的城镇地价空间分异区,可为城镇地价动态监管提供相