SOM神经网络

摘要： 传统的年径流划分往往通过年径流量的数量指标划分丰水年、平水年与枯水年。但仅仅通过该方法难以反映年内径流分布的情况。引入SOM神经网络,根据径流序列的月径流量、集中度与集中期,年内不均匀系数等指标,进行年径流序列的划分,得出具有年内特征的年径流划分成果。并以密云水库为例,对密云水库年径流进行了应用研究,将密云水库年径流序列划分了丰-平-枯水3大类,在此基础上又细分为9小类。结果发现:不同的分类结果在径流量,年内分布,不均匀性,集中度,年内变化幅度都具有不同的性质。同一大类在径流量相似的基础上,在径流分布,枯水期径流量呈现出不同的特性。说明考虑多种指标的SOM神经网络进行年径流的划分能够更细致地划分各类型的年径流序列。

摘要： 提出基于能量矩、EMD-SOM的智能诊断方法,首先将轴承部位原始信号EMD分解得到IMF分量,提取IMF分量的能量矩特征;将提取得到的特征作为SOM网络的输入参数进行模型训练;采用CWRU轴承振动数据进行验证,其准确率可达98%,说明了该方法可以有效地识别轴承故障,可为设备的状态监测和故障诊断提供理论依据。

摘要： 根据大量的实验,我们发现不同中药材光谱分布的低波数段的吸光度具有明显的差异,将低波数段的吸光度平均值作为视觉特征对刻划中药材的外在特性较有效。本文主要介绍基于光谱特征的SOM神经网络中药材分类识别系统,实现对中药材的分类鉴定。

摘要： 三维编织复合材料制件主要应用于承载器件,在实际应用过程中经常会受到高温、高压、高空辐射等环境因素的影响,容易出现制件疲劳甚至损伤情况.笔者建立了基于自组织特征映射神经网络(SOM)的损伤诊断模型,实现了三维编织复合材料制件的损伤监测和数据分析处理;设计了基于MATLAB的仿真实验平台,实现了制件损伤监测与分析的可视化.实验获得的损伤监测数据与制件实际测试的数据相同,证明了建立的基于SOM的损伤诊断模型在三维编织复合材料损伤监测和数据分析处理方面的可行性,对提高我国复合材料制件的健康监测应用水平具有应用价值.

摘要： 应急柴油发电机组是核电厂安全相关的重要设备,及时准确的故障诊断确保应急柴油发电机组能够正常运行对核安全有着重要的意义。本文梳理核电应急柴油发电机组故障种类,总结故障集、参数集、故障特征数据,利用MATLAB神经网络工具箱建立SOM神经网络实现应急柴油发电机组故障类型的聚类和仿真,准确诊断某时刻应急柴油发电机组出现的单一故障及双重故障。仿真结果表明:SOM神经网络具有故障识别能力,但在对出现两种或两种以上故障诊断过程需要重新建立故障样本,操作比较繁琐,不具备实际操作性,后续对复合神经网络的故障诊断进行研究,保持SOM神经网络诊断准确性的同时兼顾可操作性。

摘要： 针对退役动力电池分选方法匮乏的问题,提出一种基于SOM(自组织特征映射网络)+SVM(支持向量机)的退役锂离子电池分选方法。对退役电池进行电池测试,通过电池测试系统记录电池的电流、电压、温度和放电容量的变化,进行电池PNGV(新一代汽车合作伙伴)模型参数辨识,并依据电池容量、等压降时间等特征参数与模型参数对电池进行多参数聚类与分选归类。将分选归类结果中的退役电池单体进行并联重组,进行一致性实验,并对实验结果进行比较分析。实验结果表明:该方法下的退役电池参数在经过重组循环运算后,极化内阻、剩余容量、等压降时间、温度转换速率一致性变化程度较小,欧姆内阻离散度明显减小,在退役电池分选工作中具有实际意义。

摘要： 船舶动力系统的工作状态可以通过振动、机油检测、温度检测等方法进行识别,但传统的状态识别方法较单一,针对这一问题,本文设计一种基于信息融合技术和SOM神经网络技术的船舶动力系统在线状态评估平台,利用神经网络强大的处理能力,同时将船舶动力系统振动传感器、压力传感器、温度传感器等信号进行分析和处理,最终获取准确的船舶动力系统工作状态。本文重点介绍状态评估系统的整体结构、SOM神经网络的原理、振动信号和功率信号熵特性,最后基于SOM和信息融合技术进行动力系统的状态评估。

摘要： 针对目前抽油机示功图故障诊断人工分析方法效率低,而智能方法计算量大且识别类型少的问题,提出了抽油机故障智能诊断新方法,通过改进的自组织特征映射网络(SOM神经网络)对抽油机示功图进行故障诊断。对比了蚁群算法(ACO)、遗传算法(GA)、粒子群算法(PSO)对SOM神经网络的改进效果,PSO算法的最优个体适应度值最小,且所需的迭代次数少,收敛速度快。同时对比了神经网络BP、LVQ、常规SOM和PSO-SOM诊断模型效果,PSO-SOM神经网络在识别时间、诊断准确率和诊断方差方面展现出了明显的优势。采用傅里叶描绘子和不变矩复合的形状识别方法提取抽油机样本示功图特征参数,利用PSO-SOM神经网络技术进行学习训练和仿真分析,实现了不同工况模式的分类以及待测示功图的工况诊断。研究表明:对于XX油田现场抽油机700井次的9种不同工况示功图,PSO-SOM方法有效识别正确率高达90.3%,是实现智能化高效诊断示功图的一种有效途径。

摘要： 制造业等多个工业领域都大量使用旋转机械设备,机械故障可能会造成巨大经济损失甚至灾难性事故,但旋转机械发生机械故障的点位多,机械故障表象特征不明显,不易判断故障点位,采集旋转机械本体的振动信号,用于对旋转机械故障进行智能诊断极其重要。利用加速度传感器采集旋转机械4种状态(正常状态、基座松动、传动带破损和轴承破损故障)不同转速下的振动时域信号,在Matlab中进行多种信号特征量的提取,并以这些特征参数作为输入向量,建立SOM神经网络模型进行故障诊断,网络初始化需要用随机数设定输入层和映射层之间的权值初始值并对其进行归一化,形成输入层和竞争层组成的神经网络,其中竞争层也叫输出层,输入层神经元与竞争层的每一个神经元相联接,测试样本进入到SOM神经网络中的竞争层,会被与之映射最为强烈的神经元获得,即为获胜神经元,当输入新样本时,网络模型会以拓扑结构的形式输出分类结果。试验结果证明,SOM神经网络能够有效实现旋转机械故障的分类和诊断,判断旋转机械的故障位置。

摘要： 随着资源量的不断减少,采矿深度的不断增大,岩爆发生概率也逐渐增大.为对岩爆等级进行精确预测,提出了一种聚类-关联度TOPSIS模型预测岩爆的方法.在综合分析岩爆产生条件的基础上,从应力、岩性、能量三个指标对样本进行归类处理,并将灰色关联度和TOPSIS评价法相结合.该方法可以通过自组织特征映射网络将样本准确分类,同时通过灰色关联度计算不同指标的权值,最后通过TOPSIS评价法对岩爆等级进行判据.该方法使得岩爆预测多信息融合更加客观,可操作性强.对比工程实例,发现SOM神经网络聚类-关联度TOPSIS岩爆预测法模拟计算与工程实例情况基本一致.

摘要： 在当今世界,互联网与大数据技术的进步带动了数字信息化时代的飞跃性发展,而数据量的爆发性增长则激发了社会发掘数据背后有效信息的需求,搜寻有效信息的数据挖掘技术正在各个行业的发展过程中展现出越来越重要的作用.本文从探讨电力用户需求侧管理对行业发展的重要意义以及居民用户电力消费模式识别在需求侧管理中所处的地位和作用的角度出发,研究作为一种可以挖掘行业信息的重要的数据挖掘方法——模式识别方法在识别居民用户电力消费模式中的应用.通过研究SOM神经网络在识别居民用户电力消费模式过程中的应用,利用Matlab神经网络工具箱构建出SOM神经网络,对江苏省部分家庭的用电消费模式进行识别,并通过数据可视化方法对模式识别的结果进行进一步分析.

摘要： 在当今世界,互联网与大数据技术的进步带动了数字信息化时代的飞跃性发展,而数据量的爆发性增长则激发了社会发掘数据背后有效信息的需求,搜寻有效信息的数据挖掘技术正在各个行业的发展过程中展现出越来越重要的作用.本文从探讨电力用户需求侧管理对行业发展的重要意义以及居民用户电力消费模式识别在需求侧管理中所处的地位和作用的角度出发,研究作为一种可以挖掘行业信息的重要的数据挖掘方法——模式识别方法在识别居民用户电力消费模式中的应用.通过研究SOM神经网络在识别居民用户电力消费模式过程中的应用,利用Matlab神经网络工具箱构建出SOM神经网络,对江苏省部分家庭的用电消费模式进行识别,并通过数据可视化方法对模式识别的结果进行进一步分析.

摘要： 在当今世界,互联网与大数据技术的进步带动了数字信息化时代的飞跃性发展,而数据量的爆发性增长则激发了社会发掘数据背后有效信息的需求,搜寻有效信息的数据挖掘技术正在各个行业的发展过程中展现出越来越重要的作用.本文从探讨电力用户需求侧管理对行业发展的重要意义以及居民用户电力消费模式识别在需求侧管理中所处的地位和作用的角度出发,研究作为一种可以挖掘行业信息的重要的数据挖掘方法——模式识别方法在识别居民用户电力消费模式中的应用.通过研究SOM神经网络在识别居民用户电力消费模式过程中的应用,利用Matlab神经网络工具箱构建出SOM神经网络,对江苏省部分家庭的用电消费模式进行识别,并通过数据可视化方法对模式识别的结果进行进一步分析.

摘要： 在当今世界,互联网与大数据技术的进步带动了数字信息化时代的飞跃性发展,而数据量的爆发性增长则激发了社会发掘数据背后有效信息的需求,搜寻有效信息的数据挖掘技术正在各个行业的发展过程中展现出越来越重要的作用.本文从探讨电力用户需求侧管理对行业发展的重要意义以及居民用户电力消费模式识别在需求侧管理中所处的地位和作用的角度出发,研究作为一种可以挖掘行业信息的重要的数据挖掘方法——模式识别方法在识别居民用户电力消费模式中的应用.通过研究SOM神经网络在识别居民用户电力消费模式过程中的应用,利用Matlab神经网络工具箱构建出SOM神经网络,对江苏省部分家庭的用电消费模式进行识别,并通过数据可视化方法对模式识别的结果进行进一步分析.

摘要： 在小电流接地系统单相接地故障特征分析的基础上，提出了基于自组织特征映射（Self-Organizing Feature Map，SOM）神经网络的配电网故障定位方法。并配合行波测距法，以求达到精确定位的目的。ATP-EMTP和MATLAB软件的仿真结果证明，在解决故障定位问题时，SOM神经网络简单易行，能快速准确地判断故障分支，从而准确地确定故障位置。

摘要： 在小电流接地系统单相接地故障特征分析的基础上，提出了基于自组织特征映射（Self-Organizing Feature Map，SOM）神经网络的配电网故障定位方法。并配合行波测距法，以求达到精确定位的目的。ATP-EMTP和MATLAB软件的仿真结果证明，在解决故障定位问题时，SOM神经网络简单易行，能快速准确地判断故障分支，从而准确地确定故障位置。

摘要： 在小电流接地系统单相接地故障特征分析的基础上，提出了基于自组织特征映射（Self-Organizing Feature Map，SOM）神经网络的配电网故障定位方法。并配合行波测距法，以求达到精确定位的目的。ATP-EMTP和MATLAB软件的仿真结果证明，在解决故障定位问题时，SOM神经网络简单易行，能快速准确地判断故障分支，从而准确地确定故障位置。

摘要： 在小电流接地系统单相接地故障特征分析的基础上，提出了基于自组织特征映射（Self-Organizing Feature Map，SOM）神经网络的配电网故障定位方法。并配合行波测距法，以求达到精确定位的目的。ATP-EMTP和MATLAB软件的仿真结果证明，在解决故障定位问题时，SOM神经网络简单易行，能快速准确地判断故障分支，从而准确地确定故障位置。

摘要： 在小电流接地系统单相接地故障特征分析的基础上，提出了基于自组织特征映射（Self-Organizing Feature Map，SOM）神经网络的配电网故障定位方法。并配合行波测距法，以求达到精确定位的目的。ATP-EMTP和MATLAB软件的仿真结果证明，在解决故障定位问题时，SOM神经网络简单易行，能快速准确地判断故障分支，从而准确地确定故障位置。

摘要： 基于邯钢实际生产数据，建立了预测管线钢L245 屈服强度的SOM 神经网络模型，模型预测屈服强度结果表明：预测误差最大值为7.5MPa，误差百分比为1.91%，可以很好应用于指导实际生产。

摘要： 本发明公开一种高功耗WRSNs中基于SOM神经网络的多基站协同充电方法，步骤如下：利用SOM神经网络对WRSNs划分类别；在各个类别内添加一级移动充电器，直到所有传感器节点均被添加到充电列表内；根据一级移动充电器充电列表内传感器节点的连通性贡献形成充电序列，并生成一级移动充电器充电路径；利用遗传算法根据一级充电器的驻留点规划最短路径，在该路径上配备二级移动充电器和设立基站；每个充电周期内，一级移动充电器对传感器节点充电，二级充电器对一级充电器充电。两者同时运行，通过无线充电电池作为媒介进行充电。本发明具有的有益效果：算法复杂度小，能够准确划分传感器类别，实现传感网全覆盖充电，降低移动能量损耗和充电损耗。

摘要： 本发明公开一种WRSNs中基于SOM神经网络的多基站充电方法，步骤如下：利用SOM神经网络对无线可充电传感网划分类别；根据传感器的能耗和充电器的电池容量，将网络的第级别划分为传感器节点数相等的个区域并配备一级移动充电器；利用遗传算法对一级移动充电器遍历路径进行最优规划并在路径上选取驻留点。根据驻留点利用遗传算法规划最优路径，在该路径上配备二级移动充电器和基站；在每个充电周期内，一级移动充电器对传感器节点充电，待所有一级移动充电器充电结束后，二级移动充电器开始对一级移动充电器充电。本发明具有的有益效果：算法复杂度小，能够准确划分传感器类别，实现传感网全覆盖充电，降低移动能量损耗和充电损耗。

摘要： 本发明提出了一种基于智能芯片的自组织特征映射神经网络(Self‑organizing Map,SOM)算法处理方法。SOM神经网络是无监督机器学习中一种经典的聚类算法，在图像处理、数据挖掘、深度学习有广泛的应用。本发明将SOM神经网络算法划分成不存在数据依赖的多个步骤，这个过程在下文中称为Kernel的划分。在保证每个步骤高并行度的情况下，将各个步骤在GPU上实现，对应下文里Kernel的分步骤实现与优化。在单个Kernel在GPU上完成高效的实现后，再将所有的步骤整合为一个Kernel。对整合后的Kernel进行深度优化，并将各个分步骤整合迭代的过程中，使用全局同步的方法，最终实现了一个可以在GPU端单次Kernel启动即可完成的高效的SOM神经网络算法。

摘要： 本发明公开了一种基于Spiking‑SOM神经网络聚类的图像分割系统及方法，首先采取中值滤波方法对目标图像进行去噪；然后利用SLIC算法把目标图像分割成K个超像素作为特征提取窗口，计算超像素内的所有像素的RGB平均值作为超像素的颜色特征；进而选择K个IF神经元构建Spiking‑SOM神经网络，基于计算超像素之间颜色特征的距离来构建网络的初始权值矩阵，并采用Hebbian规则训练网络，网络训练结束后，根据神经元放电的同步与异步进行聚类；最后计算同类的超像素的RGB平均值，并用其代替原来的超像素RGB值，重置图像矩阵后，得到图像分割结果。本发明综合了分割速度和分割精度优势，能够对自然场景中的彩色图像进行有效分割，具有一定的潜在应用价值和先进性。

摘要： 本发明公开了一种基于增长型环形SOM神经网络的片上光网络映射方法，包括：获取核图中的IP核连通关系矩阵和网络拓扑中的节点通信损耗矩阵；利用节点通信损耗矩阵中的行向量对增长型环形SOM神经网络进行训练，获得经训练的增长型环形SOM神经网络；利用经训练的增长型环形SOM神经网络分别获取节点通信损耗矩阵中每个行向量的获胜神经元索引号以及IP核连通关系矩阵中每个行向量的获胜神经元索引号；根据IP核连通关系矩阵的获胜神经元索引号和节点通信损耗矩阵的获胜神经元索引号获得核图中IP核与网络拓扑节点之间的映射矩阵。本发明通过自适应方式在保证结果稳定的条件下降低了映射方法复杂度，减少了求解时间。

摘要： 本发明提供一种不需要偏置的神经网络电路装置、神经网络、神经网络处理方法和神经网络的执行程序。二值化神经网络电路(100)具有：输入输入值x1～xn(xi)(二值)的输入节点和输入权重w1～wn(wi)(二值)的输入部(101)；XNOR门电路(102)，其接收输入值x1～xn和权重w1～wn，且进行XNOR逻辑运算；求和电路(103)，其求出各XNOR逻辑值的总和；批归一化电路(41)，其通过扩大归一化范围且使中心位移的处理来修正由二值化导致的分布不平衡；和激活函数电路(35)，其使用激活函数fsgn(B)对信号B进行转换，其中所述信号B是对求出总和之后的信号Y进行批归一化得到的信号。

摘要： 本发明提供一种无需批归一化电路的神经网络电路装置、神经网络、神经网络处理方法及神经网络的执行程序。二值化神经网络电路(100)具备：输入输入值x1～xn(xi)(二值)的输入节点及输入加权w1～wn(wi)的输入部(101)、接收输入值x1～xn及加权w1～wn并采用XNOR逻辑的XNOR门电路(102)、输入多位偏置W'的多位偏置W'输入部(110)、取各XNOR逻辑值和多位偏置W'的总和的求和电路(103)及对于取总和后的信号Y仅输出符号位的激活电路(120)。

摘要： 本发明公开了一种基于改进SOM神经网络的移动智能终端流量监测方法以及相关设备，本方案通过修改SOM神经训练过程中网络学习速率和和权值向量的修正过程构建改进型SOM神经网络；利用改进型SOM神经网络对移动智能终端所产生的流量数据包进行分析训练学习，建立改进型SOM神经网络流量监测模型；通过改进型SOM神经网络流量监测模型自动识别待监测移动智能终端所产生流量的异常行为，据此异常行为判断是否存在网络攻击行为。本发明提供的方案能够自动识别流量异常行为和流量行为偏离正常行为的情形，可以有效地提高对移动智能终端流量的监测效果，保护移动智能终端的信息安全。

摘要： 本发明的实施例公开了一种基于BP‑SOM组合神经网络的供电安全隐患智能诊断系统及方法，涉及供电安全技术领域。所述基于BP‑SOM组合神经网络的供电安全隐患智能诊断系统包括CPU处理器，CPU处理器连接有供电单元、传输单元、监测单元和报警单元，监测单元包括电流互感器、电压互感器和温度传感器；监测单元用于布设在需要监控的供电设备上；传输单元采用有线传输和/或无线传输方式；报警单元包括警报灯、扬声器和/或手持终端。本发明实施例主要为日常运维中供电设备发生的安全隐患提供智能解决方案，避免人工巡检的主观性，提高检出率，降低事故率，同时，方法的设计及系统的构建更加注重适用的广泛性，便于推广。

摘要： 本发明涉及互联网金融行业的风控技术领域，尤其为一种基于ABC‑SOM神经网络的消费信贷场景欺诈检测方法，所采用的SOM网络是一种无导师的自组织映射的无监督神经网络模型，可通过自动寻找数据中的内在规律和属性，自组织、自适应地改变网络参数和结构，具有非线性、高度并行性、容错性、鲁棒性和较强的自适应学习能力，处理不确定性或模糊信息方面的能力突出；相比传统的GA和PSO等优化算法，ABC算法不容易陷入局部最优、收敛速度和稳定性均有提高，在搜索空间中不会被其约束条件所限制，具有鲁棒性好，参数少等优点；采用ABC算法优化的SOM模型具有精度高、可靠性强等特点，可以提高了申请行为欺诈检测准确性，实现消费信贷场景欺诈的实时检测。