论文部分内容阅读
水是我们人类赖以生存的必要元素之一,水质的监测结果是进行水质量控制的依据.在一个区域或者流域内就有很多水质监测点位,随着人口增长、工业发展、土壤变更,整个流域发生了很大的改变.原来的点位就存在误选或者偏多、重复性的问题,就需要采取一些措施,尽量用少的点位全面的表现水质的分布,节约人力,物力.为了解决这一问题,本文所提出了一种将auto-encoder神经网络结合系统聚类的方法,用auto-encoder对输入的样本进行特征选取,将特征降维后而重新生成的新样本进行聚类,达到了水质监测点位优化的目的.实验表明,相比于单独使用模糊聚类方法,而不进行特征降维的方法,此方法有一定的效果.