人工神经网络综述范文篇1

[关键词]技术创新能力；企业；神经网络

一、企业技术创新能力评价指标体系的构建

目前，企业技术创新能力评价已引起了国内外有关学者的广泛关注。然而，由于技术创新能力涉及的因素众多，其评价理论和方法尚处在探索之中。国内外有不少学者提出用层次分析法、密切值法、灰色系统理论等方法进行多指标评价，但这些方法还存在计算量大、评价指标的确定准确度较低且无法进行大规模评价的缺陷。为此，笔者将神经网络模型引入到企业技术创新能力评价中。

根据系统论的思想与企业技术创新的内涵，将其逐级分解，形成各有侧重，又相互联系，能系统、综合反映企业技术创新活动的评价指标体系[4-6]，作为评价和优化企业技术创新活动的依据，根据企业技术创新活动所包括的主要内容，遵循指标体系设计原则，提出包括企业技术创新管理能力、投入能力、研发能力、创新能力和实施能力5个方面，共20个评价指标的评价指标体系(详见表1)。

二、基于神经网络的企业技术创新能力评价方法

综合评价的方法有很多种，每种方法都基于一定的模型假设和数据结构，都有其适用范围和优缺点。鉴于上述企业技术创新能力评价指标体系是一个多层次多目标的复杂系统，同时也为了提高综合评价结果的有效性和可靠性，减少单一方法可能造成的偏差，避免主观随意性，笔者选用人工神经网络方法对企业的科技创新能力进行综合评价和分析。因为这种方法适用于多层次的数据结构，同时能客观地确定各个指标的权重且信息损失较少[7-10]。

(一)人工神经网络方法

人工神经网络是对人脑功能作某种简化、抽象和模拟，是—个高度复杂、非线性动力学系统，它具有学习、记忆、联想、归纳、概括和抽取、容错以及自学自适应的能力。BP网络是—种单向传播的多层前项网络，具有三层或三层以上的神经网络，包括输入层、中间层(隐层)和输出层。上下层之间实现全连接，而每层神经元之间无连接。BP网络的学习过程是由正向传播和反向传播两部分组成的，其算法描述如下：

第一步：设置初始参数ψ和θ，(ψ为初始权重，θ为临界值，均随机设为较小的数)。

第二步：将训练样本集和相应的目标样本集进行预处理，然后随机选取一组输入和目标样本加到网络上。

第三步：根据输入样本，利用下式算出它们的输出值。Yyj

第五步：随机选取下一个学习样本提供给网络，返回第三步，直到m个训练样本训练完毕；

第六步：重新从m个学习样本中随机选取一组输入和目标样本，返回第三步，直到网络全局误差小于预先设定的一个极小值，即网络收敛。

(二)评价指标的归一化

由于评价指标体系中，既有定性指标，，又有定量指标，为了使各指标在整个系统中具有可比性，必须对各指标进行归一化处理，处理后的指标值才能作为神经网络的学习样本。因此，对于评价指标体系中的定量指标，在综合评价前必须把指标的实测值按某种隶属度函数将其归一化到某一无量纲区间。对于定性指标，可采用评价等级隶属度的方法确定，如1，0．75，0．5，0．25，0，分别对应很好，好，一般，较差，差。

从上述转换可以看出，对于效益型指标来说．当实测值Xij大于平均值时，转换后其隶属度函数值大于0，实测值越大，隶属度函数值越大，当原始值达到一定数值时，隶属度函数值接近“饱和”。这样处理是为了防止某一指标隶属度函数值过大，从而影响整个综合指标。对于成本型指标，当Xii，越大，隶属度函数值反而越小，取负值；Xii越小，其隶属度函数值越大，取正值。

(三)BP神经网络模型评价程序

1．企业技术创新能力评价模型网络构建。基于BP神经网络的评价模型由数据预处理器和BP网组成。数据预处理器将评价指标体系中各个指标的实测值，按—定规则进行归一化。BP网的输入层单元数量由数据预处理器产生的向量维数决定，这里就是指标的个数；输出层单元一个，即评价结果；隐含层的神经元数目选择是一个十分复杂的问题，往往需要根据设计者的经验和多次实验来确定，因而不存在一个理想的解析式来表示。隐单元的数目与问题的要求、输入／输出单元的数目都有着直接关系。隐单元数目太多会导致学习时间过长、误差不一定最佳，也会导致容错性差、不能识别以前没有看到的样本，因此一定存在一个最佳的隐单元数，可以用下列公式作为选择最佳的隐单元数的参考公式：

n1=log2n(11)

式11中，n为输入单元个数；n1隐含层单元个数。

2．对企业技术创新能力进行评价的步骤。(1)根据以上构建的BP网络模型进行网络学习。即选取—定数量的样本(不同企业的指标值)，进行归一化处理，输入网络，选用适当的学习算法，对网络进行训练、验证，确定出各指标隐含在网络中的权重。(2)对需要评价企业指标值进行归—化处理。(3)将处理过的指标值输入训练好的网络，网络会给出—个合理的输出。

(4)根据输出对企业技术创新能力作出客观的评价。

三、实例验证

笔者以洛阳市的8家国有大型企业进行实例验证(过程略)。用检验样本仿真评价结果与专家对企业技术创新能力评价结果相比，结果基本相同。该应用实例表明，该网络具有较强的泛化能力，能够通过样本学习掌握专家知识，可用于对其他待评价的企业进行技术创新能力的评价。

四、结论

企业技术创新能力是企业发展的根本动力，能有效地评价企业的技术创新能力，可以为企业的发展提供依据。由于企业技术创新能力涉及的因素较多，评价中存在较多的主观性和模糊性。笔者在建立企业技术创新能力评价指标体系的基础上，提出基于神经网络的综合评价方法，并通过仿真试验，取得了较为满意的结果。神经网络不仅可以模拟专家对技术创新能力进行定量评价，而且避免了评价过程中的人为失误。

[参考文献]

[1]Hamel．GCK，Rrahalad．CompetingforFuture[M]HarvardBursinessSchoolPress，BostonMA，1994．

[2]Gronhaug，KjellandKaufmann．Innovation：ACross-DisciplinaryPerspective[M]．Oslo，Norway：NorwegianUniversityPress，1998．

[3]Kohli，A．K．AndJaworski，B，J．MarketOrientation：theConstruat，ResearchPropositionsandManageriallmplications[J]Journalof(Marketing，54，1-18，1990．

[4]沈平，冯涛．构建我国企业技术创新体系的思考[J]．经济与管理研究，2001，(1)

[5]吴海燕，王伯安．提升我国石化企业技术创新能力的研究[J]．经济与管理研究，2001，(1)．

[6]姚晚霞．着力提高企业自主技术创新能力[J]．经济问题探索，2000，(12)．

[7]李文博，郑文哲．基于神经网络的企业技术创新能力综合评价研究[J]．科技进步与对策，2005，(1)．

[8]HanMin，Chenglei&MengHua．Applicationoffour-layerneuralnetworkOninformationextraction[J]．NeuralNetworks，2003，16(5)：38-40．

人工神经网络综述范文篇2

关键词：品牌竞争力；BP神经网络；评估指标

一、前言

竞争是市场经济的本质，企业作为市场经济的主体也处在各种竞争中。当市场经历单一的产品竞争、质量竞争、价格竞争、广告竞争等等之后，以品牌为核心的竞争模式将会成为引领市场的主要形式。企业如果成功塑造了市场领导者品牌，就会形成持续有效的、创造无限价值的竞争力。

品牌竞争力是企业在市场决战中最重要的能力，用通俗的话说，如果你的产品比其他牌子的同类产品卖得好、卖得快、卖得贵、卖得久，就说明你的品牌竞争力强；反之，就说明你的品牌竞争力弱。因此，评估企业自身品牌的竞争实力成为摆在企业前的一个迫切议题。国内外的一些学者已从不同角度提出科学定量评估品牌竞争力的许多方法：市场表现评估法主要从品牌竞争力的表象方面进行评估；品牌综合管理能力指标评估法、品牌竞争力基础工作评估法都只单方面考虑从企业因素来衡量竞争力的强弱，未考虑品牌的顾客因素；与之相对应的基于顾客价值的品牌竞争力评估则没有考虑品牌对企业的价值体现。因此，本文基于品牌的顾客价值和企业价值的双重角度，从四个维度建立品牌竞争力评估的指标体系，并运用BP神经网络模型预测目标品牌的竞争力。

二、品牌竞争力的评估指标体系

由于前述评估方法的片面性，其指标体系必然体现着不完善性。品牌竞争力的评估体系应综合体现品牌的顾客价值和品牌所反映企业的各方面能力的综合，基于顾客价值我们建立准则层——顾客的忠诚度，基于企业的品牌竞争力我们建立三个准则层——品牌市场能力、品牌管理能力和品牌基础能力。对于各个子准则层体现的具体因素内容如表1所示。

三、基于BP神经网络的品牌竞争力评估模型

近年来，众多学者量化评估品牌竞争力的方法主要有层次分析法、线性回归分析法、第二代回归分析方法、模糊综合评判法等。神经网络的出现给多指标的系统评价提供了新思路，特别是BP神经网络强大的自学自适应能力，在很多行业得到不同程度的成功应用，非常适用于对矛盾复杂的、近似的、不确定的知识环境做决策，能成功解决相关因素人为权重设计的主观性及相关系数的复杂计算。

（一）BP人工神经网络基本原理

BP网络是一种反向传递并能修正误差的多层反馈型网络，其结构一般由输入层、输出层和隐含层构成，层与层之间的神经元通过相应的网络权系数完全互连；同层内的神经元则无关联。神经网络在外界输入样本的刺激下不断改变网络的连接权值，将网络输出值和期望输出值的误差由输出层、隐含层、输入层的反向传递，以使网络的输出不断地接近实际的输出。

（二）基于BP神经网络的品牌竞争力评估模型

1.人工神经网络模型结构的确定。根据自变量一般为BP神经网络模型的输入层，因变量一般为输出层的原则，品牌竞争力的BP神经网络模型中，指标体系中目标层品牌竞争力的大小为输出层，设强、中、弱三个判定层次；子准则层作为品牌竞争力的影响因子，其14个指标为输入层，分别为X（C1）-X（C14）。

为达到BP神经网络容量大小和网络训练时间的良好效果，本模型中训练层的节点数取29个为最佳（隐含层的节点数=2倍输入节点数+1）。

2.样本选择与组织。在样本的选择中，应选择有显著代表性且分布均匀的、足够数量的样本。为评估目标品牌竞争力大小，可先选取一些本企业已开发的品牌或可获取的其他品牌产品的实际经营数据作为训练、测试样本。

3.输入层的确定。在表1提出的14个指标中，由于不同指标是从不同的角度反映品牌竞争力，指标之间又由于量纲不同，所以无法进行比较。因此，从最终评价值的确定和神经网络训练的收敛性考虑，需要对指标先进行无量纲化处理。

（1）定性指标：这些指标的评价值采用专家打分法进行评价，取值为0.0-1.0之间。

（2）定量指标：定量指标又分为正向指标，逆向指标和适度指标。

正向指标一般采用下面的线性递增函数进行描述：

yi=0x（c）≤x（c）x（c）≤x（c）≤x（c）1

x（c）≥x（c）

逆向指标一般采用下面的无量纲化标准函数：

yi=0x（c）≤x（c）x（c）≤x（c）≤x（c）1

x（c）≥x（c）

适度指标一般采用下面的函数进行无量纲化处理：

yi=

其中，q为该指标的最适合值。

4．训练函数的选择。由于输入层变量和输出层变量不成线性关系，所以隐含层一般选择Sigmoid函数为激励函数，即f（x）=，实现输入层和输出层的非线性映射。

5.BP神经网络的训练和终止。在该模型中，我们引入动量批梯度下降函数，即一种批处理的前馈神经网络训练方法，不但提高了收敛速度，而且引入了一个动量项，有效避免了局部最小问题在网络训练中的出现。我们先将85%-90%的训练样本的指标值输入网络，按照公式一层一层的计算隐含层神经元和输出层神经元的输入和输出，当神经网络的输出值和实际输出值的均方误差超过某一阈值，则将误差函数沿输出层、隐含层、输入层反向传递，调整神经网络各个神经元的阈值和各层连接权值，使误差函数不断减小。在训练网络的过程中，训练一定次数后就停下来，用保留的15%-10%的测试样本检验此时网络的测试误差，当测试误差下降到目标误差精度以下时，则停止训练，此时则为最佳训练次数，模型输出值和实际输出值实现最优拟合。

6.目标品牌竞争力大小的评估。将要预测的品牌的指标值输入训练好的BP神经网络，该模型就能相对客观地对该品牌的竞争力进行评估，输出层的输出值就是该品牌竞争力的判定值，通过判定值可知品牌竞争力的强弱（整个流程见图1）。

四、结束语

品牌的研究在中国还将走得更远，本文在现有研究的基础上提出将品牌竞争力的量化评估与人工智能进行简单结合，克服评估工作过程中人为因素的主观性及相关权数计算的复杂性，提高品牌竞争力评估的可信性与客观性，使评价结果更客观反映企业品牌建设的真实状况，为企业诊断品牌经营问题，打造核心竞争力经营决策提供更可靠的信息支持。

参考文献：

1.蒋亚奇,张亚萍.基于层次分析法的企业品牌竞争力评价与测度研究[J].经济研究导刊,2011(8).

2.王文川等.品牌竞争力模糊灰色综合评价方法研究[J].统计与决策,2010(6).

3.周玫.基于顾客忠诚的品牌竞争力评价分析[J].当代财经,2005(9).

4.范秀成.品牌权益及其测评体系分析[J].南开管理评论,2000(1).

5.李煜华等.基于BP神经网络的老工业基地企业核心竞争力的综合评价[J].商业研究,2006(5).

6.许晓泓.品牌竞争力开放度评估方法的建构[J].绿色财会,2006(8).

7.陈宝忠.我国企业品牌竞争力研究[D].南昌大学,2005(6).

8.卢泰宏.品牌资产评估的模型与方法[J].中山大学学报(社会科学版),2002(3).

9.张启胜等.品牌竞争力的评价指标体系、模型及应用[J].企业家天地?理论版,2006(4).

人工神经网络综述范文篇3

开展矿产资源综合区划功能分区研究，对进行差别化管理政策的制定、空间分区管理有理论和实践意义。在分析矿产资源综合区划影响因素的基础上，构建以资源条件、开发基础、生态条件、区域经济潜能为准则层的矿产资源综合区划二级区划的指标体系和分区体系。分析和讨论了矿产资源综合区划二级区划分区方法，并采用BP神经网络方法对甘肃省矿产资源综合区划二级区划进行分类研究，将甘肃省划分为重点发展、一般发展、限制发展和禁止发展4类功能区。结果表明，BP神经网络分类结果符合实际，是对传统区划方法的重要补充。

关键词：

综合区划；矿产资源；BP神经网络；功能分区

区划是从区域角度观察和研究地域综合体，探讨区域单元的形成发展、分异组合、划分合并和相互联系，是对过程和类型综合研究的概括和总结[1]。综合区划是人与环境系统研究对可持续发展的重大理论贡献[2]，是当前地域系统研究和全球环境变化人文因素研究的热点[3,4]，不同部门综合区划研究也取得很多理论成果[5-9]。第三轮矿产资源规划编制要求开展矿产资源基础、开发条件、生态约束、区域发展需求等各因素整合起来的矿产资源综合区划研究，为分区规划、分类指导矿产资源勘查、开发利用与保护，为矿产资源规划编制提供理论依据。杨博等[10,11]已对矿产资源综合区划的概念内涵、区划体系、划分方法等作了大量研究，提出了较重要的理论成果。候华丽等[12]将矿产资源综合区划体系划分为两级，一级为地域分区，二级为功能分区。并认为二级区划指标体系应包含矿产资源基础条件、矿产资源开发条件、生态条件、地区经济发展水平等综合性指标。本文拟探讨矿产资源综合区划二级区划指标体系、分区方法，并以县区为基本单位，采用BP神经网络方法开展甘肃省矿产资源综合区划二级区划功能分区研究，为丰富和拓展区划的方法和途径，并为矿产资源综合区划分区研究和矿产资源规划提供理论依据和实证参考。

1矿产资源综合区划二级区划指标体系与分区体系

1.1矿产资源综合区划二级区划指标体系

综合考虑矿产资源勘查、开发利用与保护全过程，可以发现其受到资源因素、环境因素、社会因素、经济因素等四个方面的影响。基于这些影响因素，在遵循全面性与可操作性、数据可获得性与可对比性、系统性和导向性等原则基础上，构建矿产资源综合区划二级区划指标体系，从而实现区域划分。其中目标层为矿产资源合理开发与区划可持续发展，准则层包括矿产资源条件、开发基础、生态条件和区域经济潜能等四个方面。准则层又由若干指标组成（表1）。

1.2矿产资源综合区划二级区划分区体系

依据矿产资源综合区划的定义，以及矿产资源综合区划指标体系，按照区划的目标和功能，划分矿产资源综合区划二级区划体系。根据矿产资源综合区划影响因素指标分析，可以知道矿产资源基础为综合区划核心要素，其他如开发条件、区域经济发展水平等因素是综合区划的重要影响因素，而生态条件矿产资源综合区划约束性因素。因此，本文认为矿产资源综合区划二级区区划应该包含重点发展、禁止开发、限制发展、一般发展等四种类型区，其中一般发展区为其他三类发展区的补充，不单独划分。因此，矿产资源综合区划二级区可划分为：矿产资源重点发展区、生态保护区（禁止开发区）、限制发展区和一般发展区。

2基于BP神经网络的矿产资源综合区划功能分区

2.1矿产资源综合区划二级区划分区方法

矿产资源综合区划受自然、社会、环境、经济的综合影响，影响因子多，难以提取主要因子，同时不同因子之间又存在一定相关性，且每个因子贡献率也不同，导致矿产资源综合区划难以划分。现有比较常见的区划分析方法有：主导标志法、相关分析法、专家集成定性分析法、最终分类评价矩阵分类法[13]，逐步归并模型定量法等[14]。朱传耿等[15]采用最终分类评价矩阵分类法对地域主体功能区划进行实证研究，取得良好的成果，是目前常用的地域功能识别和划分方法方法。刘玉邦[16]等运用主成分与聚类分析方法进行农业水资源高效利用综合分区，这种方法可以避免人为的主观确定因子的权值，同时可以消除不同因子之间的相关性干扰，但此方法也易受影响[17]，导致聚类中心偏移。神经网络方法在区域划分中取得了很好地效果[18-23]，但表1矿产资源综合区划指标体系目标层准则层指标层具体指标矿产资源合理开发与区划可持续发展资源条件基础地质调查工作覆盖率查明资源储量大中型矿产地年度开采总量大中型矿山数量基础地质调查工作覆盖率基础储量资源量大型矿产地中型矿产地年度开采总量大型矿山数量中型矿山数量开发基础可利用土地资源可利用水资源交通优势度适宜建设用地率可利用水资源潜力交通密度交通干线交通枢纽生态条件生态重要性生态脆弱性生物多样性保护重要性水源涵养重要性土壤保持重要性防风固沙重要性地质灾害危险性矿山地质环境影响性水土流失易发性森林覆盖率区域经济潜能工业化阶段矿业所占比重三次产业产值结构人均GDP矿业经济占GDP比重目前应用神经网络进行库上次资源综合区划分区的案例还未见报道。本文拟选取产资源条件、开发基础、生态条件和区域经济潜能等指标层和指标因子，运用BP神经网络方法，进行矿产资源综合区划二级区划分区划分，目的在于探索实践定量途径在区划划分中的应用，拓展区划的方法和途径。

2.2BP神经网络及其理论基础

2.2.1神经网络的分类

神经网络理论的研究工作始于上世纪中页，McMulloch和Pitts首先提出神经元的形式化模型[24]，并进行逻辑函数运算，开启了人工神经网络的理论研究。经过多年的发展，人工神经网络的理论和应用研究在数学和工程学方面取得了丰硕的成果，产生出了诸如向前神经网络、反馈神经网络、随机神经网络及自组织神经网络等30多种不同类型、结构的神经网络等，这些模型又大致分为三类：前向神经网络（以BP网络为典型代表），反馈神经网络（以Hopfidld网络为典型代表）以及自组织神经网络（以SOFM网络为典型代表）。从系统角度来看，BP最适合解决分类问题，因为分类问题可视为分析计算静态的非线性映射f，BP这种前向网络通过非线性处理能力可较好的逼近映射f。

2.2.2BP神经网络模型的理论分析

BP神经网络是基于BP算法的多层前馈网络，其网络结构简单，算法成熟，具有自学习和自适应等优点。BP算法通过输入、输出数据样本集，根据误差反向传递的原理，对网络进行训练，其学习过程包括信息的正向传播过程以及误差的反向传播这两个过程，对其反复训练，连续不断地在相对误差函数梯度下降的方向上，对网络权值和偏差的变化进行计算，逐渐逼近目标。典型的BP神经网络由一个输入层、至少一个隐含层和一个输出层组成[25]（图1）。BP神经网络模拟预测过程由以下四个阶段组成：（1）模式顺传播过程；（2）误差逆传播过程；（3）记忆训练过程；（4）学习收敛过程。最终形成模拟预测结果。

2.3BP神经网络聚类步骤

2.3.1BP神经网络构成

指标因子输入。在输入层输入指标因子，本文将12个指标层因子列为指标因子，即基础地质调查工作覆盖率、查明资源储量、大中型矿产地、年度开采总量、大中型矿山数量、可利用土地资源、可利用水资源、交通优势度、生态重要性、生态脆弱性、工业化阶段、矿业所占比重等。隐含层。进行BP网络建模时，隐层数的确定至关重要。隐层数没有强制的规定，隐层数越多，模型识别训练样本的差异性越好，但计算机运行的中间过程越复杂，耗时越多，对于检验样本误差可能会增大。所以一般原则是：隐层数小于训练样本数的前提下，达到精度要求时的隐层数越少越好，本文将隐含层也设为12层。输出层。输出层根据研究目的而确定，笔者以农用地的土地适宜性为输出层。在BP网络结构中，每层都是用数值来刻画，而农用地适宜性只是一个概念性的模型，因此笔者将概念模型用数值进行刻画。根据矿产资源综合区划二级区划分区体系，综合矿产资源不同功能分区，即开发强度、限制性强度和生态保护能力的高低，将二级区划开发适宜性分为4等，4为高度适宜，3为较适宜，2为一般适宜，1为不适宜。

2.3.2训练样品的选取

根据甘肃省实际，结合专家的知识经验，确定14个市州的12个指标层形成的二级区划开发适宜性指标作为训练样本，即给定14个市州二级区划开发适宜性评分，作为实际建模选择的样本。

2.4研究实例

2.4.1数据分析与处理

本研究以甘肃省为对象展开实证分析，以县区为基本单位进行数据收集和处理，主要针对二级区划指标层指标逐一收集，数据资源主要来源于《甘肃统计年鉴2013年》、《2013年甘肃省国土资源公报》等。主要针对指标层数据进行逐一分析说明：基础地质调查工作覆盖率：引用2013年甘肃省已完成的1：5万矿产远景调查图幅和面积，并与相关县域国土面积相比，得出各县的基础地质调查工作覆盖率；各县查明资源储量、大中型矿产地、年度开采总量、大中型矿山数量引用2013年矿产资源储量年报数据；可利用土地资源引用2008年土地总体利用规划数据；可利用水资源引用2013年甘肃统计年鉴数据；各县区交通优势度采用金凤君[26]等计算方法，依据甘肃省2013年铁路、公路网地理图属性数据计算得到；各县区生态重要性和生态脆弱性指标数据来源于甘肃省生态功能区划；各县区工业化阶段和矿业所占比重来源于2013年甘肃统计年鉴数据。矿产资源综合区划指标体系包括4项准则层，12项评价指标及项基础指标，每项指标都有不同的量纲单位，若要对指标进行BP神经网络分析时，就必须要消除量纲的影响，进行无量纲化处理[27]。

2.4.2BP神经网络计算

在Matlab平台下，首先录入训练样本，即14个市州的指标数据进行网络训练，进而录入其他各县的各类指标数据，使用newff函数创建级联前向神经网络，输入层和输出层的神经元采用tansig传递函数，隐含层与输出层采用purelin函数，训练算法为trainlm。采取的训练精度设置为0.001。计算结果如图2所示。

2.4.3结果分析

从图2可得，BP神经网络分类结果的空间聚集性较高，基本反映了甘肃省矿产资源分布的区域特征。BP神经网络输出结果为4类区域。第一类为矿产资源重点发展区，第二类为矿产资源一般发展区，第三类为矿产资源限制发展区，第四类为生态保护区（禁止开发区）。每一类发展区都包括若干县区，每类发展区与所保护的县区都有很强的相关性，如重点发展区包含：金川区、平川区、崇信县、华亭县等4个县区，这些县都是矿产资源储量丰富，矿产资源开发强度高，矿业产值高的地区；限制发展区大都为矿产资源储量较为匮乏，或者开发基础条件较差，不适宜大规模进行矿产资源开发的地区；生态保护区（禁止开发区）如卓尼县、舟曲县、碌曲县、肃南县等，大都位于自然保护区，不适宜进行矿产资源开发。

3讨论

基于BP神经网络开展的矿产资源综合区划二级区划分区，你搞过预测结果和验证分析，结果表明模型的建立与选择是符合实际的，且有以下优点：（1）能够快速把握区域的分异特点，进行大范围的区划工作；（2）BP网络模型可以避免聚类分析的噪音影响带来的评价误差；（3）与专家经验集成的区划方法相比，BP神经网络方法更加客观。但也有需要完善的地方，如典型样本（训练样本）的选择上，有一定的主观性；只进行了一种神经网络方法的分类研究，研究论证不够全面等等。但总体上，基于BP神经网络进行的矿产资源综合区划二级区划分具有划分层次明显、区域分割清晰、客观性强等优点，是对传统区划方法的重要补充。在未来的工作中，应该加强对因子选择、典型样本选取方法研究，同时要运用多种神经网络方法开展分区研究，通过对不同方法的对比分析，总结出最优区划方案。

参考文献：

[1]郑度，葛全胜，张雪芹，等.中国区划工作的回顾与展望[J].地理研究，2005，24（3）：330-344.

[2]刘燕华，葛全胜，张雪芹.关于中国全球环境变化人文因素研究发展方向的思考[J].地球科学进展，2004，19（6）：889-895.

[3]吴绍洪.综合区划的初步设想[J].地理研究，1998，17（4）：367-374.

[4]刘燕华，郑度，葛全胜，等.关于开展中国综合区划研究若干问题的认识[J].地理研究，2005，24（3）：321-329.

[5]杨勤业，郑度，吴绍洪，等.20世纪50年代以来中国综合自然地理研究进展[J].地理研究，2005，24（6）：89-91．

[6]毛汉英，方创琳.我国新一轮国土规划编制的基本构想[J].地理研究，2002，21（3）：267-275

[7]陈守煜，李亚伟.基于模糊迭代聚类的水资源分区研究[J].辽宁工程技术大学学报，2004，23（6）：848-851.

[8]冯红燕，谭永忠，王庆日.中国土地利用分区研究综述[J].中国土地科学，2010，24（8）：71-76.

[9]金贵，王占岐，姚小薇，等.国土空间分区的概念与方法探讨[J].中国土地科学，2013，27（5）：48-53.

[10]杨博，吕新彪，魏彦芳.矿产资源综合区划的概念与方法探讨[J].国土与自然资源研究，2015（3）：50-53.

[11]杨博，吕新彪，魏彦芳.省级尺度矿产资源综合区划方法与应用[J].国土与自然资源研究，2015（6）：19-22.

[12]侯华丽，吴尚昆，张玉韩，周璞.对我国开展矿产资源综合区划相关问题的思考[J].国土资源科技管理，2015（03）：78-83.

[13]陈雯，段学军，陈江龙，等.空间开发功能区划的方法[J].地理学报，2004，59（增刊）：53-58.

[14]黄桂芝，董平，吴霜.可持续发展理论基本模式新探及数学模型研究[J].太原理工大学学报，2005，36（1）：103-106.

[15]朱传耿，仇方道，马晓冬，等.地域主体功能区划理论与方法的初步研究[J].地理科学，2007，27（2）：136-141.

[16]刘玉邦，梁川.基于主成分和模糊C-均值聚类算法的农业水资源高效利用综合分区[J].水文，2011，31（5）：57-63.

[17]秦福高，孙悦娟.聚类与关联规则挖掘进行结合的研究[J].电脑知识与技术，2011，7（14）：3418-3419.

[18]黄娇，高阳，赵志强，等.基于GIS与SOFM网络的中国综合自然区划[J].地理研究，2011，30（9）：1648-1659.

[19]刘娅，朱文博，韩雅，等.基于SOFM神经网络的京津冀地区水源涵养功能分区[J].环境科学研究，2015，28（3）：369-376.

[20]王江思，马传明，王文梅.基于SPSS和GIS的BP神经网络农用地适宜性评价[J].地质科技情报，2013，32（2）：138-143.

[21]黄亚捷，叶回春，张世文.基于自组织特征映射神经网络的中国耕地生产力分区[J].中国农业科学，2015，48（6）：1136-1150.

[22]张学儒，张镱锂，刘林山.基于SOFM神经网络模型的土地类型分区尝试—以青藏高原东部样带为例[J].地理研究，2013，32（5）：839-847.

[23]袁满，刘耀林，危小建.基于模糊自组织神经网络的土地用途分区研究[J].国土资源科技管理，2013，30（6）：74-80.

[24]谢承泮.神经网络发展综述[J].科技情报开发与经济，2006，16（12）：148-150.

[25]李朝静，唐幼纯，黄霞.BP神经网络的应用综述[J].劳动保障世界，2012（8）：71-74.

[26]金凤君，王成金，李秀伟.中国区域交通优势的甄别方法及应用分析[J].地理学报，2008，63（8）：787-798.