大庆市是草原上兴起的石油城市，位于松嫩平原腹地。大庆不仅地域广阔，而且自然资源极为丰富，具有备发展畜牧业的先天优势，极大地促进了大庆畜牧业在农业生产结构中由“配角”逐渐地发展成了“主角”，在2003年就实现了“农转牧”的农业产业结构调整。同时，大庆市也在加大力度引进一些大型的畜牧龙头企业入驻大庆，建设大规模的示范养殖场和示范性产业基地集群。并积极推进畜牧生产的智能化建设，加快发展“互联网+畜牧业”，大力发展畜产品营销网络化建设，提高畜牧业的市场化程度。实现畜产品由“养得好”向“卖的好”转变。畜牧业已经成为农业和农村经济的主导产业、拉动农民增收的主渠道、新农村建设的重要支撑。但是，大庆市各地区的地理环境、经济发展情况、畜牧发展基础和资源开发利用情况等因素存在区别，各个地区畜牧业的生产发展水平也存在着明显的差异性。为了更加科学地分析大庆市的畜牧发展情况，根据大庆的市区、肇州、肇源、林甸、杜尔伯特的畜牧生产实际，构建SOM神经网络评价指标体系，并利用MATLAB软件方法，建立了SOM神经网络模型，对大庆市各区县的主要畜禽生产状况进行聚类分析，以期为大庆畜牧业的发展规划提供科学的依据，同时也为大庆畜牧业的健康持续发展提供有益指导。

1　SOM网络的基本原理简述

  

图1　SOM网络的拓扑结构示意图Fig.1　SOM network topology diagram

自组织特征映射网络（Self-Organizing Feature Map，简称SOM网络），是一种自组织竞争神经网络。和传统的聚类方法相比，SOM网络能够映射到一个曲面或平面上，从而保持拓扑结构不变[2]。自组织特征映射神经网络是基于生物神经网络机理建立而成，通过对输入模式进行训练和判断，将功能相同的神经元在空间中聚集，最终分为不同的类型。如图1所示，SOM网络模型包括输入层级和输出层，无隐含层。输出层有S个节点，形成一个二维形式的节点矩阵；输入层位置处于下方，有N个矢量，即表示有N个节点。具体可以描述为：每一个神经网络的输入，都只会调整一部分权值，会使权向量接近或远离输入矢量，通过不断改变训练次数，权向量就会在输入空间中聚类，这就是SOM网络聚类功能[3]。

2　指标体系的构建

在查阅大量数据资料同时并结合大庆市畜牧业发展的实际情况，有效地选取畜牧生产水平的评价指标体系，从而能有效、全面的对大庆市各区域的畜牧发展水平进行准确的聚类分析。在选取指标的过程中，需要遵守以下原则：一是全面系统性，二是具有代表性[4]。主要数据来源于2015年《大庆统计年鉴》[5]，其体数据见表 1。

 

表1　大庆市主要畜禽生产水平综合评价指标Table 1　Livestock and poultry production level comprehensive index system in Daqing City

  

指标奶牛存栏量（头）牛奶产量（吨）奶牛存栏增长率牛奶产量增长率农村居民可支配收入（元）粮食作物播种面积（公顷）粮食总产量（吨）生猪存栏量（头）生猪肉产量（吨）生猪存栏增长率生猪产肉量增长率生猪出栏数（头）家禽存栏量（只）出栏家禽数（只）家禽产肉量（吨）家禽存栏增长率家禽产肉增长率家禽产蛋量（吨）羊肉产量（吨）出栏羊只数（只）羊存栏量增长率羊肉产量增长率市区98 525 331 660 0.334 3-0.020 4 12 443 84 603 354 900 287 101 36 959 0.751 1 1.017 3 464 274 2 155 134 11 754 562 25 547-0.315 4 1.455 5 17 831 2 361 179 693 0.670 7 0.280 4肇州70 012 194 262 0.749 9 0.659 9 10 805 137 370 1 228 070 317 500 38 600-0.250 1-0.152 2 514 200 4 412 311 11 587 689 21 493-0.435 5 0.254 5 31 038 3 125 218 175 0.436 6 0.214 1肇源34 367 101 851 0.056 1 0.019 1 10 785 164 304 1 308 122 574 361 57 855 1.407 1 1.223 1 732 945 5 047 841 12 821 963 27 677-0.676 9-0.165 1 23 638 4 665 306 412 0.201 6 0.322 3林甸159 002 500 348 0.381 9 0.375 8 5 344.3 148 001 1 233 403 396 246 43 250 1.528 3 0.581 1 533 947 4 478 328 4 351 192 10 878 0.430 2 0.532 5 34 936 3 250 195 571 0.452 6 0.440 6杜尔伯特188 519 527 642 0.140 1 0.293 1 10 897 149 514 906 029 122 964 8 390 0.333 6 0.331 1 10 863 781 621 4 027 637 8 620-0.764 1 0.178 4 5 779 1 864 124 306 0.377 7 0.145 7

3　SOM神经网络模型的建立

运用Matlab神经网络工具箱建立SOM网络模型。将选用的畜禽生产水平评价指标体系作为网络的输入模式，从而输入层的神经元个数就是分等评价因素的指标个数。最终需要分为几类取决于竞争输出层的神经元个数。然后利用上述原理中学习算法对网络进行训练。当网络训练结束后，需将各分等因素再次输入网络，利用已训练好的网络对其进行聚类[6]。SOM神经网络建立的模型及训练程序如下：

p=[┉]%读取数据

p=p’%装置

[pn，ps]=premnmx（p）；%归一化

第一类：市区、肇州；

q=minmax（p）%取p最大最小值

(3) 新能源电力充裕以后的主动发电调节。随着新能源发电技术的成熟及新能源发电成本的下降,新能源发电本身就可以作为辅助服务资源,即新能源电力充裕以后的主动“弃风弃光”。

net=newc（q，5，0.1）%构建网络（5 为等级数，0.1为学习速率）

第二类：肇源；

net=init（net）%初始化网络

使用SPSS23.0软件，计量资料用均数±标准差描述，计数资料采用构成比描述，以双侧P<0.05为差异有统计学意义，计量资料根据资料方差的齐性，使用独立样本t检验；计数资料用χ2检验。若P<0.05则纳入多因素Logistic回归方程，分析其对预后的影响，作查尔森合并症指数以及其他与术后5年生存率相关因素的受试者工作曲线(ROC曲线)。

net.trainparam.epochs=┉%训练参数设定

net=train（net.p）%训练

基于SOM模型的大庆奶牛生产进行区划聚类所选取的指标为：奶牛存栏量、牛奶产量、奶牛存栏增长率、牛奶产量增长率；其奶牛区划聚类结果如表2所示。

SD（DEyD）（y=1，2，…，r）表示子组Ey（y=1，2，…，r）决策矩阵DEy（y=1，2，…，r）与群决策专家组集合E群决策矩阵D之间的不一致性（曼哈顿距离）。

y=ac’%逆转置

4　SOM神经网络模型的聚类结果

不同的区划指标体系，不同的训练步数，都会影响网络的聚类性能[10]，所以分别对大庆市的奶牛区划指标、生猪区划指标、家禽区划指标、羊区划指标和畜禽生产水平综合区划指标进行不同步数的训练而得到的结果进行聚类分析。

4.1　奶牛生产的区划聚类

ac=vec2ind%转换

 

表2　大庆市奶牛生产区划的SOM模型聚类结果Table 2　SOM model clustering results of dairy production zoning in Daqing city

  

训练步数10 100 500 1 000 2 000 6 000 10 000聚类结果3 1 1 2 2 3 2 2 1 1 3 1 1 2 2 3 2 2 1 1 3 2 2 1 1 3 1 1 2 2 5 1 1 2 2

结果显示，当训练步数为 10、100、500、1 000、2 000、6 000步时神经元 1、2、3被激活，此时奶牛区划指标体系被分为三类：

外面黑得像午夜，法比离开了英格曼神甫。他回过头，见英格曼神甫走到受难圣像前，面对十字架慢慢跪下。法比此时还不知道在他和少佐说话时，一个念头在神甫脑子里闪现了一下。现在他要把那闪念追回来，仔细看看它，给它一番冷静的分析。

第一类：市区；

第二类：肇州、肇源；

第三类：林甸、杜尔伯特。

当训练步数达到10 000步时神经元1、2、5被激活，此时奶牛指标体系为三类：

第一类：市区；

第二类：肇州、肇源；

2.将服务功能与教育功能相结合。辅导员应利用每学期开学伊始或毕业生离校之际，针对各年级学生，通过召开主题班会、举办模拟招聘会、组织学生参加职业能力测试等形式，对大学生开展职业生涯规划教育，结合就业指导的服务功能和教育功能，培养大学生的职业意识和规划意识，进而引导大学生树立正确的择业观和成才观。

第三类：林甸、杜尔伯特。

4.2　生猪生产的区划聚类

基于SOM模型的大庆生猪进行区划聚类所选取的指标为：生猪存栏量、生猪肉产量、生猪存栏增长率、生猪肉产量增长率、生猪出栏数；其区划聚类结果如表3所示。

回顾性非随机对照研究。应用SPSS 22.0统计软件进行数据分析。通过Kolmogorov-Smirnov检验发现手术前后角膜光密度数据不服从正态分布，以M（P25，P75）表示。2组间手术前后角膜光密度变化的对比采用协方差分析（Analysis of covariance，ANCOVA），组内手术前后角膜光密度的对比采用Wilcoxon秩和检验。2组间的年龄、屈光度、角膜厚度、眼压采用独立样本t检验进行分析，2组间性别的构成比差异采用卡方检验。手术前后角膜光密度的变化与角膜厚度、曲率、眼压、等效球镜的改变量的关系采用Spearman相关进行双变量相关分析。以P＜0.05为差异有统计学意义。

 

表3　大庆市生猪生产区划的SOM模型聚类结果Table 3　SOM model clustering results of pig production zoning in Daqing city

  

训练步数10 100 500 1 000 2 000 6 000 10 000聚类结果3 3 1 1 2 3 3 2 3 1 3 3 1 3 2 3 3 1 3 2 3 3 1 3 2 4 3 1 3 2 4 5 1 3 2

结果显示，当训练步数为10步时神经元1、2、3被激活，此时生猪区划指标体系被分为三类：

2.6.1钩藤猝倒病常见防控方法有暴晒育苗基质，杀死病原；对基质或土壤用药剂杀菌；基质中添加生防菌或生物菌；加强育苗大棚通透性，适时排湿，控制湿度在30%～50%，立秋后(8～9月)加强排湿；适期施药，合理选择药剂。

第二类：肇源、林甸；

试验所用岩石为花岗岩和大理岩，所有同类岩石试件均取自同一大块岩样，朝同一方向切割加工而成，通过切割机获得尺寸为75mm×75mm×150mm的试样，中间有效跨距长L=128mm，处于自然干燥状态。选取花岗岩和大理岩各4个岩样，都分作2组，每组2个岩样。分别对两种岩样做以下加工：第1组岩样不做任何改变，保持原岩试样；第2组岩样利用金刚石锯片在试件中部精心加工了一个深度2mm，宽度1mm的裂纹。

第三类：杜尔伯特。

当训练步数为 100、500、1 000、2 000 步时神经元1、2、3被激活，此时生猪区划指标体系被分为三类：

实践的需求催生理论的产生。通过图1可以看出，文献量发展趋势与我国八次国务院机构改革的时间大致吻合，并且在机构改革的年限，政府机构改革的文献量都会出现一个峰值。国家层面的决策道路由无数专家学者呕心沥血的研究铺就。尽管国务院前七次机构改革已经结束，但政府机构改革的探索依然在路上，所以相关文献研究依然呈现出一个上升的趋势。

第三，优化社会福利，建立健全社会福利保障制度。 社会福利是指通过国家、政府、社会等集体力量保障社会成员生活安全和幸福，促进成员发展的一系列社会制度、政策及各种活动。 提供社会福利，保障成员的幸福生活是社会主义集体的重要职能之一。 在个体化社会中，中国应建立健全社会福利保障制度，在就业、升学、医疗、住房、养老等方面为个体提供保障，有效地促进个体生存及发展权益的实现，为在充满风险和不确定性的社会中生活的个体提供坚实的依靠。 集体福利保障职能的实现，能够帮助个体意识到集体对自身生存及发展的重要意义，意识到贯彻集体主义原则、维护集体利益的重要性，从而自觉地认同和接受集体主义原则。

第一类：市区、肇州、林甸；

1.3.3 凝血及纤溶系统指标 采用全自动凝血测试仪(XL3000，北京众驰)检测。凝血酶原时间(PT)、活化部分凝血活酶时间(APPT)、凝血酶时间(TT)、纤维蛋白原(FIB)、D-二聚体、组织纤溶酶原激活物(t-PA)及纤溶酶原激活抑制物-1(PAI-1)试剂盒购自上海研域化学试剂有限公司。

（5）表现在产品卫生安全监管方面的应用。通过RFID物联网系统将畜禽产品流通环节中的所有信息上传至中心数据库，并统一保存，卫生监督部门能及时掌握畜禽产品整条供应链上的一切信息。同时，中心数据库提供多种查询渠道和手段，帮助卫生监督部门迅速查找畜禽产品生产、加工、运输、流通等各个环节的信息，实现对畜禽产品全过程、无缝跟踪，最终为安全监管部门监控、处理信息和分析决策等提供可靠依据。

当训练步数为6 000、10 000步时，生猪区划指标被分为了四类和五类，这种分区太细，并且与现实情况不相符。

4.3　家禽生产的区划聚类

基于SOM的模型的大庆家禽进行区划聚类所选取的指标为：家禽存栏量、出栏家禽、家禽产肉量、家禽存栏增长率、家禽产肉增长率、家禽产蛋量；其区划聚类的结果如表4所示。

 

表4　大庆市家禽生产区划的SOM模型聚类结果Table 4　SOM model clustering results of poultry production zoning in Daqing city

  

训练步数10 100 500 1 000 2 000 6 000 10 000聚类结果2 2 2 1 1 1 1 1 2 2 2 2 2 1 1 1 1 1 2 2 2 2 2 1 1 3 1 1 2 2 3 1 1 2 2

结果显示，当训练步数为 10、100、500、1 000、2 000步时神经元1、2被激活，此时家禽区划指标体系被分为两类：

第一类：市区、肇州、肇源；

第二类：林甸、杜尔伯特。

当训练步数为6 000、10 000步时神经元1、2、3被激活，此时家禽区划指标体系被分为三类：

第一类：市区；

第二类：肇州、肇源；

第三类：林甸、杜尔伯特。

4.4　羊生产的区划聚类

基于SOM的大庆羊进行区划聚类所选取的指标为：羊肉产量、出栏羊只数、羊存栏增长率、羊肉产量增长率；其区划聚类结果如表5所示。

 

表5　大庆市羊生产区划的SOM模型聚类结果Table 5　SOM model clustering results of sheep production zoning in Daqing city

  

训练步数10 100 500 1 000 2 000 6 000 10 000聚类结果3 2 2 1 1 3 1 1 2 2 3 1 1 2 2 3 2 2 1 1 3 1 1 2 2 3 4 2 1 1 3 4 2 1 1

结果显示，当训练步数为 10、100、500、1 000、2 000步时神经元1、2、3被激活，此时羊区划指标体系被分为三类：

第一类：市区；

第二类：肇州、肇源；

第三类：杜尔伯特。

第三类：林甸、杜尔伯特。

当训练步数为6 000、10 000步时神经元1、2、3、4被激活，此时羊区划指标体系被分为四类，已无实际意义。

星期五的下午照例是系主任石老头的课,三节，满堂，臭长臭长的。我们都挺讨厌老石的课，老石爱三节课连着上，治学非常严谨，在学风日下的大学里是极不合时宜了。他昏花的老眼贼亮，从低悬在鼻梁上的眼镜框上方瞟出来，敏锐往台下瞟来扫去。他往台下每扫一眼，每一个人都会以为他是在望自己了，所以听他的课简直是一种痛苦。再加上那天死党邓军也没有来上课，连个说小话的人也没有，所以那天在点过名之后我照例想逃课了。

4.5　大庆畜禽生产综合水平的区划聚类

基于SOM模型的大庆畜禽综合水平区划聚类所选取的指标为奶牛存栏量、牛奶产量、奶牛存栏增长率、牛奶产量增长率、生猪存栏量、生猪肉产量、生猪存栏增长率、生猪肉产量增长率、生猪出栏数、家禽存栏量、出栏家禽、家禽产肉量、家禽存栏增长率、家禽产肉增长率、家禽产蛋量、羊肉产量、出栏羊只数、羊存栏增长率、羊肉产量增长率 、农村居民可支配收入、粮食作物播种面积、粮食总产量；其区划聚类结果如表6所示。

 

表6　大庆市畜禽生产综合水平区划的SOM模型聚类结果Table 6　SOM model clustering results of the integrated livestock and poultry production level in Daqing city

  

训练步数10 100 500 1 000 2 000 6 000 10 000 20 000聚类结果1 1 1 2 2 2 2 2 1 1 1 1 1 2 2 1 1 1 2 2 2 2 2 1 1 3 1 1 2 2 3 1 1 2 2 3 4 2 1 1

结果显示，但训练步数为 10、100、500、1 000、2 000步时神经元1、2被激活，此时大庆畜禽生产水平综合区划指标体系被分为两类：

第一类：市区、肇州、肇源；

第二类：林甸、杜尔伯特。

当训练步数为6 000、10 000时神经元1、2、3被激活，此时畜禽生产水平综合评价指标体系被分为三类：

第一类：市区；

第二类：肇州、肇源；

第三类：林甸、杜尔伯特。

当训练达到 20 000 步时神经元 1、2、3、4 被激活，此时畜禽生产水平综合评价指标体系被分为4类，已无实际意义。

5　分析和讨论

根据所构建的SOM神经网络模型所进行的分析，进一步说明了大庆市畜牧生产发展的不平衡性，各地区的畜牧养殖水平的差异明显。根据大庆市畜牧生产的区划聚类结果来看，大庆地区畜禽养殖大概可以分为以下几类：第一类：市区；结合一些实际数据调查，市区的畜牧发展水平比较慢，但凭借着市场需求量大的优势，市区的畜牧业也逐渐呈上升趋势，所以市区被归为了一类。第二类：肇州、肇源；这两个县都是黑龙江省重要的商品粮基地，都是以种植业为主，具有丰富的饲料资源，因此畜牧业发展规模都很大，都凭着自身的资源优势大力发展畜牧业，所以和两个县被区划为同一类。第三类：林甸、杜尔伯特，两县彼此相邻，两县草原极为丰富，而且草质优良，都具有发展畜牧养殖得天独厚的优势，同时，这两县都引进了像伊利这样的大型龙头企业，所以这两县被区划为一类。这种结果说明大庆市各地区的畜牧业发展情况不仅与各地区地理环境相关，而且与各地区经济发展情况有密切联系。结果和现实的一致性可充分的证明自组织神经网络（SOM）模型是一种畜禽生产水平区划聚类的新方法。

参考文献：

［1］ 韦春波，赵鑫，程云，等.大庆市畜牧生产状况的评价分析［J］.黑龙江八一农垦大学学报，2013（4）：36-39.

［2］ 李春华，李宁，史培军.基于SOM模型的中国耕地压力分类研究［J］.长江流域资源与环境，2007，16（3）：318-322.

［3］ 丛爽.面向MATLAB工具箱的神经网络理论与应用［M］.北京：中国科学技术大学出版社，1998.

［4］ 王文杰，潘英姿，李雪.区域生态质量评价指标选择基础框架及其实现［J］.中国环境监测，2001，17（5）：17-20.

［5］ 大庆市统计局.大庆统计年鉴［M］.北京：中国统计出版社，2015.

［6］ 施明辉，赵翠薇，郭志华，等.基于SOM神经网络的白河林业局森林健康分等评价［J］.生态学杂志，2011，30（6）：1295-1303.

［7］ 朱红灿.基于SOM的两阶段中文文本聚类算法的研究［D］.湘潭：湘潭大学，2005.

［8］ 朱德新，宋雅娟.海量数据分析及处理算法实现［J］.长春大学学报，2011，21（8）：42-45.