自组织映射

摘要： 为解决风电机组单一健康状态模型可能发生误报的问题,提出一种基于信息融合的风电机组整机性能评估方法。首先改进了局部离群因子算法(LOF),用于筛选正常运行数据,使用Kendall相关系数进行参数选择,并基于深度信念网络(DBN)建立多个健康状态模型,提取实际运行数据与模型预测值的残差作为性能特征。再使用自组织映射神经网络(SOM)将残差空间映射到风电机组运行状态空间以实现信息融合,通过计算状态劣化指数来构建性能指标的方法,对风电机组进行性能评估。最后,通过实际的风电机组运行数据验证了所提方法的有效性。

摘要： 提出了一种基于机器学习的滚动直线导轨故障预测集成方法。首先,通过寿命试验,对由三轴加速度传感器采集的振动信号进行小波包分解,提取分部能量作为信号特征;其次,运用提取的特征训练自组织映射(Self-organizing map,SOM)神经网络,应用训练后的SOM识别线轨健康状态;最后,使用最小量化误差与指数加权移动平均控制图(Exponentially weighted moving-average,EWMA)实现动态故障预警。该方法将SOM与小波包分解相结合,选用最小量化误差构建EWMA控制图,解决了线轨状态监测可视化与疲劳程度数值评定问题,验证了该集成方法用于直线导轨故障预测的有效性。

摘要： 针对PCM算法在聚类计算过程中存在的初始聚类中心随机选取,聚类结果可能陷入局部最优解等问题,提出一种改进策略。利用SOM网络对数据进行初步处理,得到PCM算法的初始聚类中心,使得算法聚类效果得到明显提升。

摘要： 为了实时监控装备的性能变化规律,对可能出现的突发情况进行预测,本文首先考虑工程中装备在线监控预警系统中历史样本数据来源广泛、数据形式不规范问题,基于B样条插值算法对历史数据进行了规整。其次,针对性能退化研究中存在的随机性误差、性能指标变化不规律问题,基于自组织映射和堆栈自编码器对相似样本集的退化特征进行提取与重构,提出了基于最小特征圆的指标构造方法,再采用双指数模型对装备的性能退化规律和寿命进行预测。最后,使用仿真数据对模型的正确性进行验证。结果表明,本模型和方法可以有效预测装备的性能退化规律,并能体现装备遭受冲击时性能的退化与恢复规律。

摘要： 电力巡检过程中的巡检效率与各巡检点间最短路径的求解息息相关。巡检最短路径问题即旅行商问题(Travelling Salesman Problem,TSP)。本文用地区地点坐标替代巡检点坐标,利用自组织映射网络(Self-Organizing Maps,SOM)对巡检最短路径问题进行求解,同时利用SOM模型对五个地区中的地点进行实例验证。实验结果表明了该方案的可行性,同时发现用该方法求解问题能够获得较好的收敛速度以及计算精度。

摘要： 过去的研究认为,黑潮延伸体的年代际振荡受来自其下游的太平洋年代际振荡(PDO)相关联的信号主导,但最近的观测表明这种调控机制在2017年9月之后不再成立。与此同时,黑潮延伸体的上游即日本南部黑潮正在发生一次大弯曲事件。利用26年(1993–2018年)的卫星高度计提供的海表高度距平数据和自组织映射(SOM)方法,本文研究了日本南部黑潮与黑潮延伸体的时空模态及其因果关系。结果表明,SOM能有效地提取两个海区的典型空间模态,且它们的演变轨迹表明当日本南部黑潮处于大弯曲(离岸型非大弯曲)路径时,黑潮延伸体趋于稳定(不稳定)态。基于SOM识别得到的海表面高度距平(SLA)特征区及特征时间模态,我们进一步利用一种最近发展的定量因果分析方法研究了两个流系之间的因果关系。研究发现,当黑潮大弯曲发生时,日本南部黑潮和黑潮延伸体之间存在双向因果,但因果关键区不同。前者对后者的影响集中在纪伊半岛东南侧及黑潮延伸体“两脊一槽”区域,而后者对前者的影响则集中在黑潮延伸体“两脊一槽”区域及黑潮再循环流区域。这说明黑潮大弯曲的发展对黑潮延伸体的稳定性有重要作用,同时黑潮延伸体通过调制南部再循环流影响日本南部黑潮的路径。不同的是,当离岸型非大弯曲路径发生时,只有从日本南部黑潮向黑潮延伸体的单向因果关系,且因果性主要集中在伊豆海脊及再循环流区域。这与该时期海表高度负异常沿日本南岸不断向位于下游的黑潮延伸体再循环流的传播有关,它使得黑潮延伸体变得不稳定。

摘要： 南半球环状模(SAM)是南半球中–高纬度地区大气变化的主导模态,表现为气压和极锋急流(PFJ)的大尺度变动,形成强烈的气候影响.当SAM事件发生时,气压场异常可呈现出不同的空间结构.本文利用自组织映射网络方法对月尺度的SAM事件进行分类,可识别出四对具有显著差异的正,负SAM事件类型,包括对称型,中心分裂型,西南极洲型和一种三极型分布.气压异常的空间分布越不对称,调整后的纬向风异常越局地化.PFJ的经向位移和强度变化入口和出口的变化,可能导致了SAM的不同气候影响.

摘要： 为了解决入侵检测模型中海量数据处理问题,降低计算复杂度,提高检测精度,提出基于最小规则自组织映射的入侵检测算法;通过在真实的入侵检测数据集上进行仿真实验,将该算法与普通椭圆补丁算法、简单矩形补丁算法以及决策树算法进行对比.结果表明,该算法在检测精度、稳定性和计算时间方面优于对比算法,验证了该算法的有效性.

摘要： 近年来,深度学习被应用于光伏发电预测中,体现出预测精度较高的优点,但也存在训练耗时等问题.对此,提出了一种基于自组织映射与宽度学习系统的光伏发电功率超短期预测模型.首先,采用自组织映射对各时刻的光伏数据进行精细化聚类,提取不同时段与气象条件下的出力波动特征;然后,构建基于宽度学习系统的光伏发电功率多步长预测模型,在网络宽度上扩展节点数目,并通过求解矩阵伪逆训练神经网络,在保证较强高维数据拟合能力的同时,具有较高的计算效率;最后,采用实际光伏发电数据进行算例分析,通过与常用的光伏发电超短期预测方法进行比较,验证所提出的方法在预测精度与训练效率上的优越性.

摘要： 为了更深入地理解飞行器气动布局设计优化中多目标/多设计变量间的影响关系,提高优化模型的科学性及优化效率,对基于数据挖掘技术的飞行器气动布局隐含设计知识提取问题开展了探索研究.以高升阻比滑翔飞行器布局设计优化问题为例,基于当前比较有代表性的方差分析、等度量映射、决策树、自组织映射4类机器学习算法对气动布局优化设计中产生的中间数据进行了挖掘分析.对不同方法得到的升阻比、横/侧向稳定性及容积率4种目标性能间的权衡关系,目标性能与设计变量间的敏感性关系及产生较优布局外形的设计变量取值规则进行了综合对比分析,凝练形成了适用于该类飞行器的设计知识,同时对4种方法的特点及适用性进行了总结分析,给出了相关结论.

摘要： 改进自组织映射神经网络方法是将常规自组织映射神经网络方法结合确定性水平,对网络的输入矢量进行预处理。通过实验比较了这种改进的自组织映射神经网络识别方法与常规的自组织映射神经网络识别方法的识别效果,在识别性能上有了很大的提高。

摘要： 为了研究地区产业结构的空间分布规律，本文采用自组织映射(SOM)的聚类方法，对2005年中国省级地区和美国各州的产业结构进行了聚类分析。结果表明，自组织映射的方法能够将地区产业结构在输出层聚成几个明显区域，区域内地区的产业结构相似，而区域间省份的产业结构有明显的差异性；同时进一步的分析表明，在目前的经济条件下，工业化水平是中国地区产业结构差异性的主导因素：而美国的产业结构差异性的主导因素是第三产业化水平，这种区别也体现了不同国家的产业结构与经济发展水平之间的相关性。

摘要： 针对腹膜透析治疗评价的主观性和不确定性，本研究提出了基于自组织映射（SOM）神经网络的透析充分性指标评估模型。该模型基于SOM的聚类理论，采用覆盖初始权值化方法，将众多专家对各项指标重要程度的打分矩阵聚类，每一类所对应的 SOM网络权重反映了本类专家对评价指标重要程度的综合权重。此方法不仅有效地减少了数据处理和分析的工作量，而且降低了主观因素对结论可能产生的影响。实验结果表明基于SOM网络的评估模型是可靠的，具有一定的实用性。

摘要： 针对轴承故障检测系统中异常样本数据不易收集以及异常样本数据分布不均导致传统分类算法出现过适应等现实应用问题，提出了一种基于自回归(AR)模型残差序列自相关系数熵的故障检测方法。该方法利用正常样本生成AR模型参数，其它样本在该模型的投影形成残差序列，计算残差序列的自相关系数熵作为相似性的度量。实验结果表明该方法能有效地克服以AR模型参数为特征计算复杂度高且检测性能易受样本大小影响的不足。实验中将本文方法同其它以AR模型为特征的多层感知机(MLP)及自组织映射(SOM)方法进行比较，实验结果验证了本文建议方法的正确性和有效性。

摘要： SOM自组织神经网络可在训练中无监督的进行自组织学习，适用于液体火箭发动机试验这类复杂的非线性系统的故障诊断。该故障诊断方法原理简单，步骤清晰，而且具有良好的记忆能力，适应性强。仿真测试结果和实际故障数据的测试结果表明，基于自组织神经网络的故障诊断方法正确、有效。

摘要： SOM自组织神经网络可在训练中无监督的进行自组织学习，适用于液体火箭发动机试验这类复杂的非线性系统的故障诊断。该故障诊断方法原理简单，步骤清晰，而且具有良好的记忆能力，适应性强。仿真测试结果和实际故障数据的测试结果表明，基于自组织神经网络的故障诊断方法正确、有效。

摘要： SOM自组织神经网络可在训练中无监督的进行自组织学习，适用于液体火箭发动机试验这类复杂的非线性系统的故障诊断。该故障诊断方法原理简单，步骤清晰，而且具有良好的记忆能力，适应性强。仿真测试结果和实际故障数据的测试结果表明，基于自组织神经网络的故障诊断方法正确、有效。

摘要： SOM自组织神经网络可在训练中无监督的进行自组织学习，适用于液体火箭发动机试验这类复杂的非线性系统的故障诊断。该故障诊断方法原理简单，步骤清晰，而且具有良好的记忆能力，适应性强。仿真测试结果和实际故障数据的测试结果表明，基于自组织神经网络的故障诊断方法正确、有效。

摘要： 采用自组织特征映射网络,将使用小波包分解技术提取的归一化频带特征能量作为模糊聚类神经网络的输入,建立小波包模糊聚类网络,经过训练,在不提供标准样本的情况下,可以实现自适应、自组织的设备运行状态分类,烟机发电机运行状态的聚类分析结果表明,该方法的分类结果符合设备实际运行情况.

摘要： 采用自组织特征映射网络,将使用小波包分解技术提取的归一化频带特征能量作为模糊聚类神经网络的输入,建立小波包模糊聚类网络,经过训练,在不提供标准样本的情况下,可以实现自适应、自组织的设备运行状态分类,烟机发电机运行状态的聚类分析结果表明,该方法的分类结果符合设备实际运行情况.

摘要： 本发明涉及一种基于自组织映射与深度神经网络的图像变化检测方法，包括以下步骤：1、采用基于中值滤波处理的均值比算子MMEAN对两幅SAR时相图进行处理，生成差异图；2、采用自组织映射网络SOM对差异图进行无监督聚类，将差异图中的像素点分为无变化类、噪声类和变化类，获得初步变化图；3、采用自动降噪编码器构建深度神经网络DNN，使用噪声类像素点作为训练集对DNN网络进行训练，以使其能够识别噪声区域的特征；4、将变化类像素点输入训练好的DNN网络，判断并去除变化类像素点中残留的噪声类像素点，从而基于初步变化图得到最终变化图。该方法有利于降低合成孔径雷达图像变化检测的漏检率和虚假报警率。

摘要： 一种方法、设备和程序产品可通过以下来评估场：接收包括从场中的多个井收集的井测量结果的数据集；通过使用自组织映射(SOM)根据所接收的数据集计算出多个合成样本来从所接收的数据集生成合成数据集；以及将从所述合成数据集生成的一个或多个模型传播到所述多个井。

摘要： 本发明公开一种基于自组织映射神经网络的电力线通信噪声识别方法及装置，该方法步骤包括：S1.从不同维度提取电力线通信中噪声数据特征，并基于自然进化策略进行特征选择，建立噪声特征库；S2.使用自组织映射神经网络对噪声特征库中数据进行自动聚类，得到噪声集群；S3.基于概率密度函数将每个噪声集群分别与预设的多种分布类型进行关联匹配，确定出每个聚类集群最为匹配的分布类型，实现噪声识别分类。本发明具有识别方法实现简单、识别效率与精度高、实时性好且普适性强等优点。

摘要： 本公开基于自组织映射神经网络的5G基站检测方法及系统，包括：根据基站经纬度确定基站在地图中的位置；根据基站检测的参考信号接收功率、参考信号接收质量和信号与干扰加噪声比三个指标确定所述基站在地图中的标注颜色，得到包含基站颜色属性的图像；利用方向梯度直方图提取图像特征，得到水平和竖直两个方向的特征数量；利用自组织映射神经网络对图像特征进行整合；根据聚类的结果，结合参考信号接收功率、参考信号接收质量和信号与干扰加噪声比指标确定所述基站的覆盖异常区域；提出了EDFSOM模型，用于信息的模糊分类问题，在保证不损失数据特征的前提下，选择采用方向梯度直方图(HOG)对图像提取特征，降低了特征的维度，节省了训练时间。

摘要： 本发明涉及一种基于自组织映射神经网络的壁画裂缝病害自动修复方法，包括以下步骤：采集数字化壁画裂缝图像，通过数学形态学对壁画裂缝病害进行标注；采用自组织映射神经网络算法对原始数据进行聚类，完成对图像数据的分层工作，然后对聚类后的分层数据进行修复。本发明充分考虑壁画裂缝本身线性结构特点，在裂缝自动标注过程中使用自适应阈值分割算法，实现目标像素与背景像素的分离，提升裂缝识别的精度；并且充分利用自组织映射神经网络算法的精准聚类特性，将各通道像素进行聚类分层，进而实现对分层图像的快速修复工作，使壁画图像更加清晰与自然，从而保持与原始壁画图像具有一定相似精度的整体视觉效果。

摘要： 本发明涉及基于一种SIMD架构的自组织映射方法及系统，包括：距离计算模块，通过计算输入向量和对应竞争层神经元权值向量的曼哈顿距离，找到距离最小的最佳匹配竞争层神经元；学习率和领域半径计算模块，通过移位操作实现学习率和领域半径的更新；合作模块，在竞争中获胜的神经元不是单独被激励的，而是通过确定获胜神经元为中心的领域，领域内的神经元共同被激励；权值更新模块，在获胜神经元领域半径内部的神经元对应权重得到更新，将计算好的权重存回片上SRAM。本发明支持样本任意分类与任意特征的运算，能够实现低复杂度与高精度的要求。

摘要： 本发明公开了一种基于自组织映射网络的个人信用评估方法，包括：构建个人信用指标体系；采集个人信用数据；特征降维；构建自组织映射神经网络，生成个人信用评估模型，将降维后的个人信用数据样本导入个人信用评估模型，对个人信用评估模型进行训练；个人信用评估；输出评估结果。本发明能够采用主成分分析方法对个人信用属性空间进行压缩，降低个人信用评估的复杂性；在降维生成的主成分变量基础上，利用模拟人脑自组织特性的自组织映射神经网络对输入的个人信用样本进行模式识别，从而实现对个人信用类别的准确评估。

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： 本发明公开的基于自组织映射和深度学习的图像特征向量提取方法，为：将待处理的图像数据集划分为训练样本集和测试样本集；搭建基于自组织映射和深度学习的图像特征向量提取方法的网络模型；构造余弦交叉熵分类损失函数；构造适用于批量学习的自组织映射的目标函数；结合余弦交叉熵分类损失函数和适用于批量学习的自组织映射的目标函数，构造总的目标函数；使用基于mini‑batch的随机梯度下降法训练步骤2)构建的网络模型直到模型收敛；根据步骤6)学习到的网络模型，将测试集中的图像输入到网络，特征层的输出即为图像的特征向量，用于计算机视觉任务。该方法不依赖于深度卷积网络结构，可以应用到任何一个深度卷积神经网络上。

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。