自组织特征映射

摘要： 为了在多维聚类分析中运用有效的深度特征选择方法排除冗余和无关的特征属性,学习数据元素的非线性关系提取最佳特征,提出一种降噪分层映射算法(DHM).首先,基于降噪自动编码器构建非循环神经网络,容错数据经过隐藏层加权和激活函数的训练获取输入数据的非线性关系得到特征空间,实现特征重构选取最佳特征.其次,特征空间用于调整自组织特征映射神经网,通过计算最小化加权平方欧式距离寻找匹配的获胜神经元.最后,结合特征选择网络和无监督聚类网络为降噪分层映射神经网,通过整体模型迭代训练,使权重参数和偏差向量同时得到优化,实现有效的无监督聚类方案.在真实数据集上的实验结果表明,同AESOM,DCSOM和S-SOM算法相比,DHM算法在提高聚类质量及准确性方面有更好的表现.

摘要： 为解决低压配电网络户变关系不准确带来的台区线损统计、排查困难等问题,根据电力大数据技术,提出了基于变压器低压侧和用户侧电压时序数据聚类的配电台区户变关系智能识别方法。首先,采用改进的动态时间规整算法计算用户时序电压序列的相似度;其次,提出基于自组织特征映射算法与K-means算法相结合的两阶段聚类方法,结合时序数据相似度实现基于形状的快速聚类,将连接同一变压器同相位下的用户聚成一类,实现台区户变关系的智能识别;最后,利用实际配电网的台区量测数据进行仿真验证和分析,仿真结果证明了本文所提方法的有效性。

摘要： 为解决软土震陷分级中存在的问题,基于以往研究,通过建立以自组织特征映射(self-organizing feature map,SOM)与动态分级控制(dynamic classification method,DT)为基础的耦合式分级模型,为软土震陷分级提供了一种新的思路。通过SOM方法进行仿真分析,筛选出具有关联性的影响因素,根据其相关性强弱,可剔除个别因素,保证各因素之间的独立性。再应用动态分级法对震陷分级控制进行研究,得到了不同分类数下的震陷分级。计算结果与模糊综合评判法进行了对比分析,其结果表明耦合式分析模型具有良好的分级效果。

摘要： 为诊断铁路道岔控制电路中的常见故障,提出了一种基于数据密度聚类算法(Density-based spatial clustering of applications with noise,DBSCAN)与自组织特征映射网络(Self-organizing feature map,SOM)结合的诊断方法。利用微机监测系统记录转辙机三相电流曲线,以转辙机动作原理为标准对曲线分段处理并计算三相电流特征参数。针对初始特征维数较高的问题,以DBSCAN算法筛选故障诊断敏感特征,构建诊断敏感特征集。以粒子群优化算法(Particle swarm optimization,PSO)调整SOM网络权值修改规则从而避免网络出现“死神经元”,设计PSO-SOM网络故障分类器并完成待测样本分类诊断。实验表明,该方法在训练样本较少的情况下,能判断道岔控制电路故障模式。与传统SOM网络相比,其故障诊断准确率更高。

摘要： 针对地震信号中存在大量环境噪声的问题,基于天然地震事件和人工爆破事件建立初始数据集,利用集合经验模态分解(EEMD)技术对波形信号进行分解、降噪,提取出较纯净的各阶本征模态函数(IMF)分量,然后对前10阶分量分别计算分布熵,即EEMD多尺度分布熵,建立神经网络输入矩阵。应用鲸鱼优化算法(WOA)对自组织特征映射(SOM)神经网络参数(竞争层维数、网络训练次数)进行优化,针对不同训练样本寻找对应的最优参数值以改善模式识别的稳定性,从而提高地震识别率。结果表明,EEMD多尺度分布熵结合WOA-SOM模型可有效识别天然地震和人工地震。

摘要： 股价预测一直都是股票投资者重点关注和重点研究的方向,针对股价具有高度非线性、高噪声、动态性等问题,提出一种基于自组织特征映射(SOM)神经网络和长短期记忆网络(LSTM)共同应用的股价预测方法.第一步聚类,使用python语言实现改进的自组织特征映射神经网络算法,将187支股票分成三类,三类股票以盈利能力大小进行聚类,并且求出每一类所包含的股票代码;第二步预测,基于Pytorch深度学习框架构造长短期记忆网络模型,分别对每一类中随机的3支股票进行股价预测,再通过均方误差和决定系数对预测结果进行评价.结果表明,在使用相同的预测模型对不同盈利能力的股票做股价预测时,盈利能力越大的股票,预测精度越高.此研究可以为投资者筛选出盈利能力更大的股票,并且在提高股价预测精度上也具有一定的贡献.

摘要： 基于我国自动站与CMORPH降水产品融合的逐时降水资料和NCEP再分析资料,利用自组织特征映射方法对2008-2014年大别山地区极端降水天气事件的天气背景进行了分型研究.结果 表明大别山地区极端降水背景环境的类型主要可分为三类,分别是西南强气流型(类型Ⅰ)、副高西北侧气流型(类型Ⅱ)和偏南强气流型(类型Ⅲ).其中,类型Ⅰ和类型Ⅱ的极端降水分别集中在6-8月和7-9月,代表了夏季极端降水,而类型Ⅲ的极端降水主要出现在3-6月及10-12月,属于春秋季节的极端降水.通过分析大别山地形与不同类型降水场及背景场的配置关系发现:(1)迎风坡降水是类型Ⅰ极端降水的主要原因,中层的高湿度、强气流为极端降水提供水汽和抬升条件;(2)类型Ⅱ的极端降水是由气流过大别山西北侧较低山脊时在山脊前和山脊后形成,西太平洋副热带高压的北抬和西进是导致此类环流背景的重要原因;(3)偏南气流与大别山及其西南方地形的配置使得类型Ⅲ的极端降水主要分布在大别山南侧往西南方向.

摘要： 在研究传统车辆稳定性判别方法的基础上,基于神经网络和聚类分析的理论,提出了一种车辆横向稳定性判别方法.采用SOFM神经网络和K均值聚类相结合的组合聚类法,对采集的车辆行驶参数进行离线聚类分析,得到各聚类中心及其稳定性等级.应用均值法在线更新聚类中心,计算实时数据与聚类中心的距离,根据距离最小准则进行车辆稳定性实时判别.以轮胎力法为基准对该稳定性判别方法性能进行分析,最后将判别结果作为稳定性控制策略介入控制的依据,通过CarSim/Simulink联合仿真和硬件在环试验,验证了该稳定性判别方法的有效性和准确性.

摘要： 利用人工神经网络可进行数据信息的模式分类.距离函数用于生成神经网络中神经元的连接结构.距离函数和神经元数的选择,直接影响到人工神经网络的学习结果.本研究用自组织特征映射网络,选择数种距离函数和神经元数,对我国收录图书情报论文的地区发文统计数据进行无监督自组织聚类.同时,给出了自组织特征映射网络的Matlab算法程序.结果证明,自组织特征映射网络可有效地对信息进行分类,聚类结果与距离函数和神经元数有关,多种方法的综合分析是必要的.最后,讨论了人工神经网络分类的一些特点与原则.

摘要： 提出了一种基于自组织特征映射神经网络(Kohonen网络)和模糊理论的短期电价预测方法.预测分两个阶段.首先,根据Kohonen网络的聚类特性,进行第一阶段的电价预测,样本在输入时就已分好类,输入既有与电价曲线连续性有关的数据又有反映电价周期性变化的数据,在学习训练时,区别于普通的无监督竞争学习采用有监督竞争学习的方式以缩短学习时间,提高学习精度.第一阶段预测出一个基本的电价后,在第二阶段利用模糊理论根据前一个时段的预测误差和误差变化对其进行校正,实例分析证明了该方法的有效性.

摘要： 本文首先分析了干湿循环条件下有机涂层的电化学阻抗谱特征，然后选取了阻抗变化率参数K(f)'作为—维自组织特征映射(SOM)神经网络的训练样本。每个样本对输出层神经元都会产生一定的激发水平,根据该神经网络的特性，输出神经元激发水平的变化趋势便可以反映涂层的降解过程。结合涂层阻抗谱的变化特征，可以把干湿循环条件下涂层的失效过程分为三个阶段，即介质渗入涂层过程，介质到达金属表面诱发金属腐蚀过程和腐蚀扩展涂层剥离离过程。

摘要： 提出了一个电力用户负荷特性表征体系用于对负荷特性的研究。负荷定性模块和负荷分类模块构成了该体系。负荷定性模块使用自组织特征映射（SOM）网络和K 均值聚类操作创造出一套用户分组，并取每个分组内所有负荷曲线的均值以标志出各组的典型负荷特性。分类模块根据这些训练集的聚类结果和负荷曲线形态指标建立出一个ID3 分类决策树，使其能够把不同的用户分配到现有的分组中。文章最后用一个真实数据算例说明了方法的有效性。

摘要： 粗糙集理论和神经网络在对样本的聚类分析中有各自的优势和劣势.本文在自组织特征映射(self-Or-ganizing-Feature-Map,SOFM)神经网络的训练过程中引入属性约简对训练样本进行预处理并去掉冗余属性,从而简化训练样本的表达空间维数并减小了网络的规模,因此提高了聚类效率.最后通过实验证明了本文提出的方法能有效地改善该类神经网络对含有噪声、冗余或不确定值数据输入模式的处理能力.

摘要： 本文研究了可应用在空时格码系统中的两种量化器,即基于自组织特征映射矢量量化器与信道最优化矢量量化器。在研究中发现,就自组织特征映射空时格码系统而言,对比于性能比较好空时格码,使用性能较弱的空时格码不会大量增加重构误差。这样,就可实现一个低复杂度却拥有不错的性能的系统。同时,使用一个二维的高斯马可夫信号源的仿真结果也显示,自组织特征映射空时格码系统的性能只是在边缘部分比信道最优化矢量量化器差。

摘要： 设备性能退化评估研究对指导设备维护、避免恶性事故的发生有重要的意义.本文提出一种基于多Agent的设备性能退化评估模型,并对子部件性能退化评估Agent的实现方法进行了探讨.本文利用小波包分级提取信号的分频段能量、自组织特征映射矢量编码和隐Markov模型结合的方法进行性能评估,利用试验数据对此方法进行了验证.

摘要： 聚类是数据挖掘中重要的研究课题.本文根据使用神经网络进行数据挖掘的具体步骤,首先对自组织神经网络在数据挖掘中的应用作了深入研究,接着利用MATLAB神经网络工具箱实现了SOFM的一个数据挖掘应用实例,结果表明利用自组织神经网络进行聚类具有噪声数据承受力高和错误率低的优点.

摘要： 本文提出了一种基于自组织特征映射(SOFM)神经网络和径向基函数(RBF)神经网络的混合网络模型.在该模型中,SOFM神经网络作为聚类网络,采用无监督学习算法对输入样本进行自组织分类,并将分类中心及其对应的权值向量传递给RBF神经网络,作为径向基函数的中心;RBF神经网络作为基础网络,采用高斯函数实现输入层到隐层的非线性映射,输出层则采用有监督学习算法训练网络的权值,从而实现输入层到输出层的线性映射.通过对某炼油厂常压塔汽油干点软测量估计问题进行仿真,表明该模型具有较好的性能.

摘要： 与文本无关的说话人识别方法是当前说话人识别技术的研究重点.本文将自组织特征映射(SOFM)网络用于矢量量化中码书的形成,改进了训练算法,并基于改进算法进行了与本文无关的说话人识别.经实验结果证明,本文的方法改善了码本的性能,提高了说话人识别的识别率.

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： 本发明提供一种基于均匀设计和自组织特征映射神经网络的声源定位方法，涉及声源定位技术领域。首先确定声源所在三维空间，并将其划分为n个立体网格；选择声音信号的m个特征作为均匀设计法中的实验因素；从n个网格中选取均匀散布的k个网格做成均匀设计表；建立自组织特征映射神经网络，将均匀设计表中的数据进行归一化处理后作为该网络的输入；对自组织特征映射神经网络输入层与输出层的神经元连接权值赋值，并确定权值调整域，对权值进行更新；对自组织特征映射神经网络的学习率赋初始值，并设定学习率随训练次数增加逐渐减小；采用欧式距离法比较输入量与竞争层中的神经元对应的权值的相似性，获得声源稀疏位置，最终实现声源的精确定位。

摘要： 本发明公开了基于自组织特征映射网络的复杂机电系统服役过程动态标记方法，通过系统多变量耦合关系网络的构建、网络特征提取、状态标记知识库的被动更新和主动更新过程，不断对状态标记模型进行训练修正，最终对系统运行过程中服役质量状态的演变过程进行详细划分，建立符合系统状态及性能动态演化过程的状态标记知识库，实现了服役质量状态动态标记模型的动态调整，使其更加符合复杂机电系统实际服役过程中状态的演化规律，本发明能够标记出系统运行过程中出现的多种状态，对系统运行过程中服役质量状态的演变过程进行详细划分，最终建立符合系统状态及性能动态演化过程的状态标记知识库，为后续进行服役质量状态辨识和预测预警的研究提供依据。

摘要： 本发明公开了一种基于自组织特征映射网络聚类和径向基网络的语音转换法，属于语音信号处理技术领域，包含以下步骤：预处理，清浊音判决与特征参数提取；参数聚类；频谱包络转换规则的建立；基音频率转换规则的建立；特征参数的转换；语音合成。本发明将源语音特征参数分成若干个聚类，相应的目标特征参数也分成与源语音各聚类一一对应的若干类，对每一聚类分别建立转换规则，这样不仅将训练数据进行划分减少了训练的时间复杂度，使得转换生成的语音具有良好的自然度；在语音特征参数转换时，将基音频率与频谱包络联系起来，建立两者间的转换关系，克服了孤立的对基音频率转换的缺点，使得转换出的基音频率更加具有目标说话人的特性。

摘要： 本发明提供一种基于均匀设计和自组织特征映射神经网络的声源定位方法，涉及声源定位技术领域。首先确定声源所在三维空间，并将其划分为n个立体网格；选择声音信号的m个特征作为均匀设计法中的实验因素；从n个网格中选取均匀散布的k个网格做成均匀设计表；建立自组织特征映射神经网络，将均匀设计表中的数据进行归一化处理后作为该网络的输入；对自组织特征映射神经网络输入层与输出层的神经元连接权值赋值，并确定权值调整域，对权值进行更新；对自组织特征映射神经网络的学习率赋初始值，并设定学习率随训练次数增加逐渐减小；采用欧式距离法比较输入量与竞争层中的神经元对应的权值的相似性，获得声源稀疏位置，最终实现声源的精确定位。

摘要： 本发明公开了一种基于自组织特征映射神经网络的连接型间歇故障诊断方法，该方法包括：步骤1、提取全要素特征参数；所述的全要素特征参数包括测试信号特征参数和外部环境特征参数；步骤2、模型学习训练；所述的学习训练过程为：初始化、归一化处理、计算欧式距离、确定最小距离、调整连接权和更新学习速率和邻域；步骤3、故障诊断；通过对正常态、间歇态、故障态的样本进行学习训练，得到多种分类结果的神经网络权重矢量；通过对标准样本的状态的严重程度的计算，对分类后的结果进行状态标记；将测试的样本输入到模型中，通过SOFM神经网络诊断的类别，得到测试样本的状态，从而得到测试样本的间歇故障诊断结果。

摘要： 公开一种基于自组织特征映射网络的目标分群方法，包括如下步骤：读取当前时刻我方传感器获得的数据；对读取的传感器数据进行清洗；引入SOM对处理后的数据进行分组，使用混合计算方法计算神经元和传感器数据间的距离，利用标准化置信度值检验分组的准确性；评估目标分组情况，并根据实际情况及时做出修正；输出目标分群结果，重复该过程。该方法通过在目标分组前进行数据清洗，有效的滤除了噪声干扰，提高目标分组的准确率；能够有效反映目标间的差异，提高目标分组的准确率；通过引入SOM，解决了需要预先指定分组数和设置阈值的关键问题，提高了目标分组的准确度和速度，满足实际应用的需求；引入CV检验目标分组情况，提高算法的鲁棒性。

摘要： 本发明公开了基于自组织特征映射网络的复杂机电系统服役过程动态标记方法，通过系统多变量耦合关系网络的构建、网络特征提取、状态标记知识库的被动更新和主动更新过程，不断对状态标记模型进行训练修正，最终对系统运行过程中服役质量状态的演变过程进行详细划分，建立符合系统状态及性能动态演化过程的状态标记知识库，实现了服役质量状态动态标记模型的动态调整，使其更加符合复杂机电系统实际服役过程中状态的演化规律，本发明能够标记出系统运行过程中出现的多种状态，对系统运行过程中服役质量状态的演变过程进行详细划分，最终建立符合系统状态及性能动态演化过程的状态标记知识库，为后续进行服役质量状态辨识和预测预警的研究提供依据。

摘要： 本发明公开了基于自组织特征映射网络的电力物资分类方法，包括以下步骤：物资数据采集：选取物资数据并将选取的物资数据构建成电力物资指标体系；物资数据分析：将电力物资指标体系中的数据按照非线性主成分分析法选择出电力物资主成分分析指标；物资分类：采用自组织特征映射网络(SOFM)算法对选择出的电力物资主成分分析指标进行指标细分，并根据细分指标做聚类，建立电力物资的分类。

摘要： 本发明公开了一种基于自组织特征映射网络聚类和径向基网络的语音转换法，属于语音信号处理技术领域，包含以下步骤：预处理，清浊音判决与特征参数提取；参数聚类；频谱包络转换规则的建立；基音频率转换规则的建立；特征参数的转换；语音合成。本发明将源语音特征参数分成若干个聚类，相应的目标特征参数也分成与源语音各聚类一一对应的若干类，对每一聚类分别建立转换规则，这样不仅将训练数据进行划分减少了训练的时间复杂度，使得转换生成的语音具有良好的自然度；在语音特征参数转换时，将基音频率与频谱包络联系起来，建立两者间的转换关系，克服了孤立的对基音频率转换的缺点，使得转换出的基音频率更加具有目标说话人的特性。