基于RBPNN的海峡西岸经济区港口分类

摘 要:利用径向基概率神经网络(RBPNN)的统计方法对海西西岸经济区的港口进行规划,该方法结合了概率密度和Bayes最优原则,在分类应用上表现良好。RBPNN动态自学习能力对海峡西岸经济区的分类具有良好的泛化能力,对各港口未来的发展战略具有良好的指导意义。

关键词:海峡西岸经济区;概率神经网络;港口分类

中图分类号:F22文献标识码:A 文章编号:1672-3198(2010)06-0101-01

1 引言

海峡西岸经济区须从自身出发,从区域角度进行协调整合,实现海西西岸长期可持续发展、突破海西两岸“东强西弱”的格局,成为名副其实的第四极,并最终构建海西经济区的重要基础。本文以相关因素为基,兼顾时间因素,通过径向基概率神经网络(RBPNN)这种非聚类的方法对海峡西岸经济的港口进行分类,并探讨各类港口的发展策略。RBPNN在分类上表现出了良好的特性,不论分类问题多复杂,只要有足够多训练数据,可保证获贝叶斯准则下最优解。

2 海峡西岸经济区港口分类的必要性

海峡西岸经济区深水港资源丰富,但缺乏统一规划,港口的建设和发展缓慢,滞后于其他三个经济区域。区域内部各省市缺乏一体化思想,地方政府自我保护严重,港口无序开发和重复建设的情况严重。这样既不利于市场经济条件下的有序分工和合理竞争,也不利于推动海峡西岸经济区的一体化规划。海峡西岸经济区的港口总量小,码头靠泊能力低,缺乏中心大港,信息化水平低,难以承接世界大型船舶,很多港口仅能满足沿海和近海运输。这样的港口状况制约了港口集约化发展,弱化竞争力。使得海西的人才、资源、资本被南北两大经济区吸引,造成本区域“边缘化”。海峡西岸经济区港口资源丰富,但海陆交通衔接欠佳,陆路交通已经直接制约了沿海港口城市的发展。海峡西岸经济区概念的提出使其在政策上有了恰当的位置,扩展了发展空间。要使该区域成为第四大经济区,快速发展,须弱化自身劣势,从发展港口经济,整合港口资源、规划港区的角度出发,构建海西经济区。港口规划是一长期项目,须从各个方面考虑规划内容和实施监督过程。港口分类是进行港口规划的前提,只有明确各港口在区域内的地位及功能,才能对其提出合理的并且是可行的规划方案。

3 径向基概率神经网络(RBPNN)的原理及结构

3.1 RBPNN的模型原理

RBPNN即为概率神经网络是基于前向径向基函数神经网络(RBF)并吸收RBF神经网络优点发展而来,适用于解决分类问题。它是利用样本的先验概率-Bayes定律和最小风险的Bayes决策规则对样本进行分类。无需训练样本的连接权值,由给定的训练样本直接构成隐藏层,不易陷入局部最小,是完全前向型的,训练速度更快,时间更短。RBPNN处理分类问题不仅表现出优越性,且方法易理解,求解方便,特别是应用MATLAB工具箱中强大的神经网络工具,可实现性更强。RBPNN具有强大的自组织学习功能,容许错误样本,适用于不足样本的情况。

3.2 RBPNN的结构

概率神经网络由输入层、模式层、求和层、输出层共4层组成。输入层将特征函数向量传递给网络;模式层计算输入层与训练集中各模式的匹配关系,以其距离送入高斯激活函数得到模式层的输出;模式层到求和层以等权连接来确定匹配概率;求和层的输出与各类基于内核的概率密度函数的估计成比例,通过输出层的出来,便得到各类的概率估计。具体结构及模式层、求和层和输出层的公式如图:

图1 RBPNN的网络结构图中输入层以N维向量x为输入向量;模式层采用RBFNN的模式层即有H个模式层单元(2HG,G为训练集样本数;H个样本可分为M个互不相交的类别,Hj为第j类的训练样本结点数,其中H=Hl+HZ+…+HM)。模式层激活函数选择gi(x)=exp[-(x-uij)T(x-uij)2σ2]其中uij和σi为模式层第i个结点的中心向量和平滑因子;求和层用PNN的求和层,按类别进行有选择的求和连接Gj(x)=∑ieH1π(λij)gi(x)=∑ieH1π(λij)exp[-(x-uij)T(x-uij)2σ2]。其中π(λij)表示第i个观测值属于第j类且以π(λij)的概率产生。线性层采用RBFNN的线性层,作为网络的输出y=∑Mj=1wjGi(x)其中wj为线性层第j个结点的连接权值。

4 基于RBPNN的海西西岸港口分类模型

4.1 不同类别代表样本的选取

港口分类这种只存在定性分类标准的类别划分问题,代表样本的选取非常必要。代表样本是指在训练样本集中能够体现同一类别样本共同特征的典型样本,要具有广泛可接受和被认同性。据《中华人民共和国港口法》为港口的分类提供的弹性标准:(1)港口的地理位置、规模和能力、对腹地经济发展的影响和作用、对外开放状况及港口布局的需要;(2)国民经济和社会发展对港口的客观需要;(3)国家实现重大经济战略决策的需要,可将区域内港口分为主要港口、重要港口和一般港口。纵观海西各港口,三种类别的代表港口分别是厦门港、泉州港和漳州港。海西统计联会肯定了这样的定位,本文将这三个港口作为海西港口三种类别的代表样本是可行的。

4.2 典型样本向量选取

有了所有类别的代表样本,就可据这些样本,利用训练样本与代表样本的核相似度来初始划分所有的样本,从本文的角度考虑,从各个典型港口的影响因素出发,将这些影响因素和三个代表港口的同类因素比较,选取逼近性最佳为该类别的港口。

港口的影响因素复杂,本文利用RBPNN强大的自学习能力,考虑其在缺少样本时也能运行良好的优势,选取通用影响因素。由于港口的分类标准和某一港口的类别会因具体情况变化而调整,随时间发展而改变,本文考虑时间影响。这使得所得到的港口分类有较强泛化能力,长期内这样的分类也具有实用性。

港口类别的影响因素可从港口本身的特点和港口所在城市的状况两方面考虑,且考虑到模型本身的延伸性,最后选定港口分类指标为货物吞吐量(x1)、货物吞吐量增长率(x2)、集装箱量(x3)、集装箱量增长率(x4)、GDP值(x5)、第一产业比例(x6)、第二产业比例(x7)、第三产业比例(x8)、进出口贸易总额(x9)、人口(x10)。

4.3 典型港口选取

海西涵盖的港口众多,对各港口进行选择是必要的。从城市的综合竞争实力、港口的自然条件等各方面进行比较,本文选择了温州港、宁德港、福州港、莆田港、泉州港、厦门港和漳州港、汕头港这几个港口进行比较分类。这些港口是海西的重点发展港口,但各港口的定位不同,需进行分类。

4.4 样本训练及结果分析

据所得样本集和相关因素,可建立所需的模型并通过MATLAB强大的神经网络工具进行训练。先确定每个港口为一个训练样本,港口的相关影响因素为样本向量的神经元,所有港口为训练样本集,构成模型的输入向量。其次,将最为代表样本的各港口的影响因素及关系作为输出向量。最后,运用最大相似度方法确定各个样本归属于那三种港口类别。运行过程可通过MATLAB完成,运行代码为net=newpnn,net=newpnn(P,T,spread)

其中SPREAD就是用来调节,使得样本以最佳的方式拟合代表类别。通过MATLAB运行得到的结果为第一类港口只有厦门港,其可作为海峡西岸经济区内唯一主要港口存在;温州港、福州港、莆田港和汕头港同属第二类港口,作为重要港口进行重点发展;宁德港和泉州港为第三类港口,作为一般性港口对区域港口整体规划其辅作用。

5 结语

港口的功能定位有利于海西健康发展,有效避免港口重复建设,资源浪费。本文通过RBPNN的方法对海西西岸经济区各港口在该区域中的地位和功能进行划分,使得港口规划可更有针对性更有效进行。RBPNN结合Parzen概率密度函数估计法和Bayes最优分类规则,分类效果显著。RBPNN运行结果厦门港是海西唯一主要港口,取决于厦门的综合经济实力最强,对外贸易活动频繁等优势。厦门港利用其优势发展深水港口,在提高货物量的同时调整货物结构,集中发展集装箱运输,起中心作用。温州港、福州港、莆田港、漳州港和汕头港这五个重要港口分属三省,各行政区应相互合作,强化一体意识,协调发展。各港口据各自货物特点,自身优劣势,取长补短,实现双赢的结果。宁德港和漳州港属一般港口,竞争不强,单独发展潜力不大。宁德港可并入福州港,使福州港成为海西的另一区域性主要港口和厦门港口形成南北呼应局面。漳州港可并入厦门港进一步强化厦门港中心地位,也可提升漳州的地位。

参考文献

[1]武骁,宗蓓华.我国沿海集装箱港口层次布局问题研究[J].交通运输.

[2]胡明.港口网络体系规划方法研究[D].大连海事大学硕士毕业论文.