基于神经网络的村庄分类法

本发明属于神经网络，尤其涉及一种基于神经网络的村庄分类法。

背景技术：

1、

2、当前，国家日益重视乡村建设与发展，对乡村分类提出了更高的要求，即要尊重村庄发展规律和演变趋势进行分类施策，对于乡村类型的认识要从单一维度转向综合维度。然而由于在全国尺度研究村庄类型存在数量庞大、特征多元、类型复杂等技术难点，相关研究较为滞后。在国际乡村类型研究中，欧洲学者较早应用人工神经网络方法(artificialneural network，ann)对英国、意大利等欧盟国家开展了较为充分的研究，并基于空间认知划分了乡村类型。面向广域的大样本研究，基于计算机的深度学习，根据算法将待分类对象自动识别归入特定类别，以提高应对复杂问题的适应性，成为此类研究的主要趋势。

3、国外的村庄类型研究起步较早，自20世纪60年代起成为乡村地理学中的重要研究内容，经历了从单一的乡村地域类型到多元的乡村发展类型，再到空间情景下的认知类型的发展过程。早期的研究普遍采用单一“乡村性”指标测度的模型，基于人口普查数据，运用主成分分析、聚类分析的方法，从统计学的视角，大量的进行辨别乡村地域类型的研究。1990年代起，形成了丰富多元的类型学视角研究，不仅丰富了乡村地域类型，更加转向与乡村经济相关的发展类型。研究方法仍以主成分分析、聚类分析、因子分析为主，但也引入了更加科学的神经网络方法。基础数据也从单一的人口普查数据，增加了不同研究目的下的经济数据、多元统计数据等。2000年代至今，乡村类型的划分更加多元化，地理、经济、社会、生活等不同研究角度，技术方法不再拘泥于传统主成分分析、聚类分析，引入了更多的空间统计技术、决策支持技术等。近年来，基于新视角下的乡村类型研究已经普遍减少，更多的是对技术方法的创新与改进以及新地区的应用。

4、国内的乡村类型研究起步较晚。从上世纪90年代起。以费孝通、张之毅为代表的社会学者通过乡村社会调查，开启了早期以定性判断、描述性分类为主要特征的村庄类型研究，研究对象大多针对某个特定地区，以难以对乡村整体的发展和分化特征做出系统准确的辨别。2000年以来，我国的乡村类型研究进入了较为系统、广泛、多样的探索阶段，引入了社会、经济与空间等多领域研究视角。在研究方法上，基于指标测度的统计学方法逐渐增多。

5、相较于国际的乡村类型研究，我国村庄类型研究仍然存在一定的不足。

6、(1)传统研究方法适用于类型差异较为明显、数据关系结构较为清晰的样本分析，对于数量大、类型复杂的样本的分类准确性较低。当前乡村分类定量研究的基本思路是构建多维度的指标体系和计量模型，通过空间聚类得到乡村类型，常见的分析方法包括单一维度分类法、评价指数分类法、层次分析法、主成分分析法、基于气候分区、地形地貌等数据综合划分的类型区划等。此类量化方法的特点是擅于处理数据间差异较为明显、数据关系近似于线性关系、结构较为清晰的数据，而对于在大样本情况下的复杂非线性分类关系则较难应用。

7、(2)传统研究方法适用的数量与尺度较为有限，难以适用于全国尺度、大样本、多类型的类型识别与划分研究。传统分类方法常常应用于省、市、县尺度的乡村分类研究中，且数据精度通常以乡镇为单元。而与地方尺度相比，在全国尺度开展乡村分类面临村庄数量庞大、特征多元，差异关系更为复杂、类型总结更为困难的难点问题，因此在全国尺度、以村庄为单元的村庄类型研究目前仍十分有限。

8、(3)传统研究方法的人工要求较高、效率较低。往往需要研究者对聚类结果有初步的预判，对人工判断准确性的要求较高，且需要人为进行多次调试测验，实现有效分类操作的效率较低。

技术实现思路

1、本发明的目的在于提供一种基于神经网络的村庄分类法，以行政村为单位，对于数量大、类型复杂的样本的分类准确性，且人工要求较低、效率高。采用的技术方案如下：

2、一种基于神经网络的村庄分类法，包括以下步骤：

3、步骤1、基础数据采集：

4、其中，数据包括m个乡村类型、l0个代表层面的分类指标，其中分类指标共n0个；

5、代表层面包括：区划、经济、人口、土地、居住、设施、环境、规划；

6、步骤2、建立神经网络模型的映射关系，具体包括以下步骤：

7、步骤2a、提取乡村类型，以为步骤2b中的数据筛选提供依据；

8、提取乡村类型包括：模糊类型；

9、步骤2b、数据筛选：

10、根据步骤2a中提取乡村类型，将步骤1b获取的分类指标进一步筛选整理，保留l1个代表层面的n1个分类指标；其中n1＜n0；l1＜l0；

11、步骤2c、依据步骤2b中获取的分类指标，划分乡村类型：

12、划分后获取的乡村分类类型包括：稳定发展型、轻度衰退型、一般发展型和自然衰退型；

13、步骤2d、提取步骤2c中的乡村分类类型对应的分类指标，并将提取的分类指标、步骤2c中的乡村分类类型输出；

14、步骤3、构建乡村分类模型；

15、步骤4、村庄智能分类，具体包括以下步骤：

16、步骤4a、基于研究区域，采集与步骤2b中相同的分类指标；

17、步骤4b、将步骤4a中获取的分类指标数据进行数据提取,该提取的数据作为乡村分类模型的输入；

18、步骤4c、将步骤4b提取的分类指标数据同步导入步骤3获取的乡村分类模型，乡村分类模型输出乡村分类类型；

19、步骤4d、将步骤4b获取的分类指标数据，与步骤4c获取的乡村分类类型匹配，从而得到不同类型乡村的属性特征。

20、优选地，步骤3具体包括以下步骤：将步骤2d中的提取的数据输入至初始神经网络模型，并调试，以对初始神经网络模型进行训练。

21、优选地，步骤1中，m＝9，l0＝8，n0＝64。

22、优选地，步骤1中，步骤2b中获取的代表层面包括：人口、居住、设施和环境；每个代表层面均包括3个分类指标。

23、与现有技术相比，本发明的优点为：

24、1、采用神经网络方法、以行政村为单位开展全国尺度的乡村分类研究，该方法所具有的优势在于能够处理大样本、复杂、非线性的数据关系从而找到内在的数据关联(输入-输出的映射关系)，并经由模拟训练应用至更广泛的样本分类，且具有较高的稳定性，为在宏观层面进行大尺度的乡村分类研究提供了有力的技术支撑。

25、2、鉴于乡村分类模型，该方法分类准确、人工要求较低、效率高。

26、3、步骤2c中乡村分类规则和步骤3b中模型构建方法对乡村样本数据的真实状态不做任何假设，排除了人为干预因素，保证了原始乡村数据的真实性和准确性，有效地为后续的全国村庄智能分类模块的实施奠定了基础。

技术特征：

1.一种基于神经网络的村庄分类法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于神经网络的村庄分类法，其特征在于，步骤3具体包括以下步骤：将步骤2d中的提取的数据输入至初始神经网络模型，并调试，以对初始神经网络模型进行训练。

3.根据权利要求1所述的基于神经网络的村庄分类法，其特征在于，步骤1中，m＝9，l0＝8，n0＝64。

4.根据权利要求1所述的基于神经网络的村庄分类法，其特征在于，步骤1中，步骤2b中获取的代表层面包括：人口、居住、设施和环境；每个代表层面均包括3个分类指标。

技术总结本发明提出了一种基于神经网络的村庄分类法，包括以下步骤：步骤1、基础数据采集，数据包括M个乡村类型、L0个代表层面的分类指标，其中分类指标共N0个；步骤2、建立神经网络模型的映射关系，具体包括：步骤2A、提取乡村类型；步骤2B、数据筛选；步骤2C、依据步骤2B中获取的分类指标，划分乡村类型步骤2D、提取步骤2C中的乡村分类类型对应的分类指标，并将提取的分类特征、步骤2C中的乡村分类类型输出；步骤3、构建乡村分类模型；步骤4、村庄智能分类。本发明以行政村为单位开展全国尺度的乡村分类研究，能够处理大样本、复杂、非线性的数据关系从而找到内在的数据关联，并经由模拟训练应用至更广泛的样本分类，且具有较高的稳定性。技术研发人员：张立,张伟峰受保护的技术使用者：同济大学技术研发日：技术公布日：2024/7/29