自组织神经网络

摘要： 针对传统创业数据建模方法在模型准确性、预测稳定性等方面存在的不足以及建模效率较低等问题,提出了基于改进自组织神经网络的创业数据评估建模与仿真方法。该方法通过SOFM算法对输入数据进行选择与分类,进而得到若干数据子集,再将数据子集通过Duplex算法划分成训练集、验证集和测试集。同时利用训练集建立回归分析模型,并采用验证集对模型进行优化,通过共识模型得到符合要求的结果。数据测试结果表明,相比于传统建模方法,文中方法所建立的模型准确性更高且预测稳定性更强,充分验证了所提方法应用于创业数据建模与仿真的可靠性。

摘要： 为提高输电线路状态评估的准确率,提出一种先聚类再回归的输电线路状态画像与评估模型。首先,设计自组织神经网络对输电线路原始数据进行降维,自适应地提取若干类代表性特征信息,无需人工提取特征和依据主观经验选择聚类数;然后,将代表性特征数据输入LSTM(长短期记忆)网络中,LSTM网络将前向学习和反向学习相结合,对模型进行双向训练与评估,建立输电线路核心数据与状态的非线性映射关系,提高电网场景下的输电线路状态评估准确率。实验结果表明,所提模型在实际数据集上取得了较好的评估效果,评估准确率高于常用的支持向量机、人工神经网络、稀疏自动编码机等方法。

摘要： 由于生态环境监测数量巨大,污染物种类繁多,监测十分困难。为此,提出基于自组织神经网络的生态环境污染信息监测研究。在监测区域内对土壤进行剖面采样,选择并制定对应的生态污染监测指标,直接检测有机污染物土壤样本。采用自组织神经网络模型对生态环境污染区域的污染情况进行空间聚类分析,构建土地生态污染监测信息模型,实现土地生态环境污染信息监测。实验证明,所提方法能够从多维度对场地的污染状况进行监测,提取内部关键信息,在监测过程中,能够根据聚类特征分析空间分布特征,实现优化筛选,减少监测项目,降低工作成本。

摘要： 随着海洋资源勘探和海洋污染物监控工作的开展,水文数据的监测和采集等已经成为重要的研究方向.其中,水下无线传感器网络在水文数据采集过程中起着举足轻重的作用.本文研究的是水下无线传感器二维监测网络模型中,传感器节点数据采集的问题,其设计方法是通过自组织映射(Self-organizing mapping,SOM)对传感器节点进行路径最优化处理,结合优化的路径图形和K-means算法找到路径内部聚合点,利用聚合点和传感器的节点得到传感器通信半径内的数据采集点,最后通过SOM得到水下机器人(Autonomous underwater vehicle,AUV)到各个数据采集点采集数据的最优路径.经过实验验证,在水下1200 m×1750 m范围内布置52个传感器节点的情景下,数据采集点相比于传感器节点路径规划采用相同的采集顺序得到的路径优化了6.7％;对数据采集点重新进行自组织路径规划得到的路径比传感器结点路径的最优解提高了12.2％.增加传感器节点的数量,其结果也大致相同,因此采用该方法可以提高水下机器人采集数据的效率.

摘要： 当前专利是按照领域划分的,而基于功效特征可以实现跨领域的专利聚类,这在企业创新设计中具有重要意义,而精确提取专利功效特征和快速获得最优聚类结果是其中的关键任务.为此提出一种信息实体语义增强表示(ERNIE)和卷积神经网络(CNN)相结合的功效特征联合提取(FEI-Joint)模型来提取专利文献的功效特征,并且改进自组织神经网络(SOM)算法,从而提出具有早期拒绝策略与类合并思想的自组织神经网络(ERCM-SOM)来实现基于功效特征的专利聚类.对FEI-Joint模型与TF-IDF、狄利克雷分布(LDA)、CNN在特征提取后的聚类效果上进行比较和分析,结果表明其F-measure值比其他模型有明显提高.ERCM-SOM算法与K-Means算法、SOM算法相比,在F-measure值提高的同时,其时间较SOM算法有明显缩短.对比使用专利分类号(IPC)的专利分类,采用基于功效特征的聚类方法可实现跨领域的专利聚类效果,为设计者借鉴其他领域的设计方法奠定了基础.

摘要： 如何充分挖掘出地震数据的有效信息以更有效预测出地震油气储层的分布情况,一直是业内所追求的目标.多波地震数据所包含的纵、横波数据不仅含有大量对油气敏感的特征信息,而且二者对油气响应存在差异,利用好这种差异可有效降低地震反演中的多解性问题.为此,设计了一种基于自组织神经网络的多波地震油气储层分布预测方案.首先,通过聚类分析优选出对油气响应比较敏感的地震属性,然后,对优选优化后的属性进行多波复合运算提取油气特征信息.最后,根据输入样本属性数据集设计自组织神经网络结构,计算神经元与样本的距离确定最佳匹配单元,更新调整网络权值,完成网络训练,得到预测结果.应用结果表明,基于本方案所预测的地震油气藏分布范围与实际情况基本吻合,有效地降低了反演结果的不确定性,从而验证了自组织神经网络应用于地震油气储层预测的有效性和可行性.

摘要： 航迹的模式识别可进一步为航迹预测、空域结构优化、空中交通态势监控提供支持.首先,对获取的自动相关监视广播系统(ADS-B,automatic dependent surveillance-broadcast)数据进行筛选、处理,形成一系列的航迹点集;其次,计算以航迹点组成的各航迹数据之间的相似度,按一定比例选取训练集和测试集;然后,以训练集进行学习、训练,建立自组织神经网络(SONN,self-organizing neural network),获得竞争单元;最后,输入测试集,通过所得神经网络对终端区航迹进行模式识别,分析其正确性.仿真结果表明,该算法可较好地识别终端区空域内航迹.

摘要： 利用河南省103个地面气象站1961—2019年逐日资料,采用滑动平均、小波分析、EOF分解等方法分析了河南区域性秋季连阴雨降水的时空分布特征,采用自组织神经网络方法(SOM)对河南区域性秋季连阴雨环流进行客观分型.结果表明:河南区域性秋季连阴雨以7—9 d的过程居多,其次为10 d以上过程.20世纪60年代和80年代是河南区域性秋季连阴雨多发期,90年代为连阴雨少发期,70年代和21世纪10年代发生次数与近59 a年均频次基本持平,21世纪10年代河南区域性秋季连阴雨比其他年代强,20世纪90年代强度最弱.20世纪70年代区域性秋季连阴雨年平均过程降水量存在准5 a周期,21世纪00年代前半期及10年代区域性秋季连阴雨年平均过程降水量存在2—3 a周期.近59 a河南区域性秋季连阴雨平均降水量分布上,黄河以南地区比黄河以北地区降水多,山区比平原地区多,降水大值区与山区分布基本一致.河南区域性秋季连阴雨降水空间分布型上,最主要的特征是全省一致变化型,其次是南北反相型.SOM方法不仅可以区分出环流形态上的差别,还可以区分出环流型的发生时间和连阴雨期间环流的阶段性演变特征.SOM分型得到8类区域性连阴雨环流型,从天气学意义上可归结为阻塞型、低槽型和平直环流型.大部分河南区域性秋季连阴雨过程为2到3种环流型的组合,不同环流型之间存在转换关系.

摘要： 文章结合成功创业者、创业教育者的访谈,从道德、心理、能力和创造性4个维度建立了创业者素质评价指标体系.以神经网络算法独特的优势,构建了创业者素质评价模型.通过问卷调查,获得电子商务创业者的素质评价信息,对评价模型进行训练和测试.结果表明,该模型能有效消除创业者素质评价中人为因素的影响,具有较高的科学性和可操作性.

摘要： 针对航空航天器复合材料蜂窝夹芯结构冲击载荷位置识别的需求,本文提出一种基于自组织神经网络的复合材料蜂窝夹芯板结构分布式光纤冲击定位算法.借助嵌入复合材料蜂窝夹芯板结构内部的光纤传感阵列,采集低速冲击作用下板结构响应信号.采用小波包分解方法得到滤除基线干扰后光纤冲击响应信号及其不同阶层的幅值信息.在此基础上,选取与构建能够表征不同冲击点属性的响应特征矢量.采用基于自组织神经网络的冲击栽荷定位算法,实现对板结构冲击裁荷位置识别.研究表明,该监测技术具有良好的抗电磁干扰能力,适用于光纤光栅解调设备采样频率较低的情况,能够较好实现针对复合材料蜂窝夹芯板的冲击位置识别.

摘要： 在SAR图像的识别中,传统的识别方法必须提前知道所有目标的类别,不能对任意的目标进行识别.通过分析SAR图像的特点,选取了一组由Hu不变矩和由三角函数生成法导出的5个新的不变矩组成的特征向量.利用自组织神经网络对目标进行了聚类分析.试验表明,选取的特征向量能够较准确地描述目标,且自组织神经网络能够自适应,自组织对目标进行聚类.同时,用测试图像对训练好的网络进行了测试,得到了较为理想的识别效果.

摘要： 利用自组织神经网络技术，结合建筑市场执业资格人员信用的相关特点，研究了网络中神经元个数的确定、训练步数、网络维数等对网络结构和执业资格人员信用划分类别的影响，给出了执业资格人员信用分类的网络构造思想和神经网络结构。并以被调查的执业资格人员为例进行了实证研究，研究结果表明，该方法简便、易行，适应于执业资格人员信用分类研究，为开展执业资格人员信用管理奠定了良好的理论方法基础。

摘要： 准确的客户市场细分对客户关系管理具有重要作用.现有的聚类算法由于自身的缺陷无法很好的应用在市场细分中.本文借鉴拓展自组织神经网络方法的思想,运用Ward's指标对SOM聚类结果进行合并,从而得到有效的客群.运用该方法在某零售企业的客户数据中探索出四类客群.ANOVA分析证明了该方法得到结果的可行性,并通过与K-means方法的比较证明了该方法的准确性.

摘要： 针对目前基于粗糙集模型的特征选择算法无法直接应用于数值型数据、必须经过离散化过程而造成决策信息丢失的问题,提出了一种基于自组织神经网络(SOFM)的特征选择算法.该算法利用SOFM网络在学习过程中能使连接权向量空间分布密度与输入模式的概率密度分布相似的特性,通过SOFM神经网络的聚类,衡量属性与类别集合之间的相关性,后根据选择的属性评价度量(即:淘汰阈值),删除不相关或冗余的属性,以达到降维的目的.该算法可以使名义型和数值型数据统一在同一特征选择算法框架下进行评估.仿真实验和实际应用的结果表明,该算法性能优于目前主流的特征选择方法.

摘要： 通过对某型军绿有机涂层全浸泡条件下腐蚀行为电化学阻抗谱(Electrochemical Impedance Spectrosco py,EIS)特征的研究,提取并研究了低频阻抗模值|Z|0.1Hz、高频相位角θ10kHz、高频阻抗模值变化率k、相对介电常数εr,4种特征参数的变化规律,并结合自组织神经网络(Self-Organizing Maps,SOM)对涂层防护性能变化进行了辅助分析.特征参数变化规律与SOM分析结果均证明涂层在1330d浸泡过程中出现4个阶段的性能变化,反映了SOM神经网络辅助分析有机涂层浸泡性能的有效性.该型绿色有机涂层在1330d浸泡过程中，涂层防护性能有所下降，但仍能对金属基体起到很好地保护作用。

摘要： 将自组织神经网络模型应用于城镇污水处理工艺方案的决策,实例分析结果证明模型和方法是实用、有效的。且与常规比选方法相比,该模型编程简洁,实现容易,效率更高.

摘要： 本文分析了自组织神经网络的优点，并鉴于该网络的优点，采用其来进行海底底质的自动分类：提取特征矢量、构建神经网络，训练网络，输出分类结果。通过实例分析，结果显示该方法的分类精度均高于传统的分类方法，错分现象显著减小，验证了该算法在海底底质分类中的有效性和可行性。

摘要： 用近红外光谱分析方法对样品进行检测时，关键是建立预测效果优秀的数学模型。本文研究了基于自组织竞争神经网络的样品聚类算法，针对样品的近红外光谱进行分类、建模，以提高近红外模型的预测准确度。

摘要： 以模式识别和相似预报思想为基础,建立基于自组织神经网络(SOM)的聚类天气分型和交叉验证的K最近邻域非参数估计仿真模型(KNN).该模型首先以自组织神经网络技术对西北地区的高空流场和高度场进行聚类分型,针对不同天气形势下的历史样本,通过交叉检验,分别寻求各类天气型下的最佳K组合.为了验证聚类天气分型对KNN方法的影响,使用2003-2006年冬半年T213数值预报产品和宁夏日最大风速资料,同时建立了宁夏冬半年日最大风速≥6 m/s天气分型和未分型的KNN预报模型,并对2007年1-5月进行了预报试验,预报评估结果表明:天气分型后的预报模型总体上降低了预报空报率,提高了预报准确率,特别是对某些类的天气型,提高幅度更大,为分类相似预报开拓了思路.

摘要： 为了在具有动态网络拓扑的无线自组织通信网络(KNW)中通过自动配置来实现最优的网络性能和网络照明，通过通信网络(KNW)的功能扩展[实现一种算法/一种方法]使该通信网络(KNW)能够自己(自动地)通过测量来确定加入该通信网络(KNW)的发送接收设备(SEG)的当前网络配置和可及性，并从由此获得的数据(HWI，HWI1...4)中随时确定主站或基站(BS，SEG1)的最优位置。

摘要： 本发明公开了一种基于神经元显著性的前馈神经网络结构自组织方法，涉及神经网络技术领域，针对传统前馈神经网络结构选取困难的问题，本发明提出的方法根据隐含层神经元的显著性大小动态调整神经网络的网络结构。实验结果表明：改进后的算法能够降低网络结构选取的盲目性，实现了网络结构的动态优化调整，提高了网络识别的精度。其在非线性系统辨识、数据分类和工程类缺陷类型识别上均具备较高的精度。

摘要： 为了在具有动态网络拓扑的无线自组织通信网络(KNW)中通过自动配置来实现最优的网络性能和网络照明，通过通信网络(KNW)的功能扩展[实现一种算法/一种方法]使该通信网络(KNW)能够自己(自动地)通过测量来确定加入该通信网络(KNW)的发送接收设备(SEG)的当前网络配置和可及性，并从由此获得的数据(HWI，HWI1...4)中随时确定主站或基站(BS，SEG1)的最优位置。

摘要： 本发明公开了一种基于神经元显著性的前馈神经网络结构自组织方法，涉及神经网络技术领域，针对传统前馈神经网络结构选取困难的问题，本发明提出的方法根据隐含层神经元的显著性大小动态调整神经网络的网络结构。实验结果表明：改进后的算法能够降低网络结构选取的盲目性，实现了网络结构的动态优化调整，提高了网络识别的精度。其在非线性系统辨识、数据分类和工程类缺陷类型识别上均具备较高的精度。

摘要： 本发明公开了一种融合自组织增量学习神经网络和图卷积神经网络的钢材微观组织自动分类方法。一、确定要识别的钢材微观组织种类，并搜集由扫描电子显微镜获得的大量钢材微观组织图片，以形成数据集，并为数据集中的每张图片确定一个类别标签；二、采用迁移学习获取图片样本数据的特征向量集合；三、通过引入连接权重策略的自组织增量学习神经网络(WSOINN)对特征数据进行学习，获得其拓扑图结构，并引入胜利次数对节点进行少量人工标注；四、搭建多层图卷积神经网络(GCN)挖掘图中节点的潜在联系，利用Dropout手段提高网络的泛化能力，最后对剩余节点自动标注进而获得图片的分类结果。本专利所述的方法在图片标注量仅为传统深度学习网络模型的12％时，分类准确度就可达到91％以上，比VGG、MLP、SOINN等网络模型的精度高。

摘要： 本发明针对变异测试领域中变异体数量巨大，导致变异测试成本过高的问题，提出了一种基于自组织映射神经网络的变异体约简方法。首先根据弱变异转化法构建变异体对应的变异分支，将变异分支插入原程序中得到新程序，然后用测试用例集执行新程序得到弱变异测试下的变异体杀死矩阵，将变异体杀死矩阵作为变异体的特征数据，进一步获取变异体位置信息和变异体的变异算子类型信息生成变异体特征矩阵，再使用自组织映射神经网络聚类技术约简冗余变异体。本发明在保证测试有效性几乎不受影响的同时可以约简大量的冗余变异体，从而降低变异测试成本，提高软件测试效率。

摘要： 本发明公开一种基于自组织映射神经网络的线损分析方法，包括以下步骤：采集原始电网线路用电数据，所述原始电网线路用电数据包括若干条线路的用电数据；对所述原始电网线路用电数据进行预处理；基于预处理后的所述原始电网线路用电数据提取线路用电特征；基于所述线路用电特征，提取时间序列统计特征；对所述时间序列统计特征和预处理后的所述原始电网线路用电数据进行标准化处理，并进行整合，获得待分析总数据；构建线损分析模型，将所述待分析总数据输入所述线损分析模型，获取线损分析结果。本发明精准分析线损异常情况，极大提高线损管理水平，能够更准确、快速的定位问题线路，并及时采取有效措施，对窃漏电及异常用电具有很高的现实意义。

摘要： 本发明公开了一种自组织T‑S模糊神经网络PID控制器来控制并网逆变器，控制器算法在T‑S模糊神经网络的基础上加入了强度激活的概念。其实质是采用模糊规则层激活强度的方法，根据实际环境自适应对神经元结构进行调整，构造合适的控制结构，其具有的在线学习能力和强大的容错能力能够更好的决定和提升整个网络的性能和规模，从而提高控制精度。同时采用梯度下降法对控制器的各个参数进行实时调整，使控制系统有更好的抗干扰能力和动态性能。

摘要： 本发明提供一种基于改进的自组织神经网络的地震相分析方法及系统，该方法包括步骤：S1、初始化自组织神经网络，所述自组织神经网络为具有K个神经元的两层自组织神经网络，其中，K为地震相种类数；S2、逐一计算输入数据与各个神经元的相似度并据此确定胜出的神经元；S3、更新神经元的相关参数；S4、每隔M个时间步，按照第一预设规则增加或者插入一个新的神经元，按照第二预设规则删除或者废弃一个神经元。本发明根据在某一目的层段内地震信号的横向可变性，利用改进的自组织神经对地震道形状进行分类，分类结果形成离散的“地震相”。进而实现利用地震资料来刻画岩石物理参数或者沉积相平面分布规律。

摘要： 本发明公开基于自组织神经网络的多水下机器人任务分配方法及系统，属于多智能体系统协同控制技术领域，该方法根据洋流影响、资源消耗、负载均衡和资源有限多重约束，构建多重约束的多异构水下机器人系统任务分配优化模型，其中，任务分配优化模型为自组织神经网络；任务分配优化模型通过机器人路径点对应的神经元竞争与学习，完成任务分配，最终生成每个机器人所需的环形路径。求解速度快、求解精度高的优点，能在有限迭代次数内提供良好的任务分配方案，由其在复杂的大规模任务场景中，本发明所提出方法的优势更为明显。