Kohonen网络

摘要： 针对故障诊断过程中传感器信息量大、相关性强、冗余严重的问题,提出一种灰色Kohonen网络故障诊断方法.该方法首先通过灰色关联分析手段,分析装备各个状态下指标参数的相关情况,建立各状态下的灰色关联分析矩阵,然后引入灰度值这一衡量指标,量化关联性的强弱关系,达到相似信息剔除的目的 ,最后通过Kohonen网络进行故障诊断.实例验证结果表明,该方法可在剔除相似信息的情况下保持较高的故障诊断率,同时做到快速诊断.

摘要： 针对变电站环境局部放电识别面临的不可控干扰多、初始参数确定难的问题,提出将具有自组织竞争识别、抗干扰性强的Kohonen网络用于干扰环境下绝缘缺陷的局部放电识别。首先,通过设计变电站放电典型绝缘缺陷获取多个样本数据,提取统计特征用于Kohonen网络训练。其次,分析Kohonen网络竞争层节点数对识别效果的影响,得出针对样本数据的最佳识别参数。最后,将Kohonen网络与常用的模式识别算法在同等条件下进行对比,验证其在多种放电识别时具有高稳定性与高识别率,及用于变电站环境局部放电识别的优越性。

摘要： 针对变电站环境局部放电识别面临的不可控干扰多、初始参数确定难的问题,提出将具有自组织竞争识别、抗干扰性强的Kohonen网络用于干扰环境下绝缘缺陷的局部放电识别.首先,通过设计变电站放电典型绝缘缺陷获取多个样本数据,提取统计特征用于Kohonen网络训练.其次,分析Kohonen网络竞争层节点数对识别效果的影响,得出针对样本数据的最佳识别参数.最后,将Kohonen网络与常用的模式识别算法在同等条件下进行对比,验证其在多种放电识别时具有高稳定性与高识别率,及用于变电站环境局部放电识别的优越性.

摘要： 引起高压断路器故障的原因大部分都是机械故障,因此对高压断路器进行故障诊断,使其可靠、高效地工作对电力系统的运行具有很大的意义.实验室模拟断路器基座支架上的合闸振动信号,采用小波包变换对取得的3种状态下的振动信号进行分解,计算各频段能量并做归一化处理,构造特征向量作为Kohonen网络的输入,进而进行机械故障识别.最后,将基于Kohonen网络的识别方法与BP网络以及RBF网络识别方法对高压断路器机械故障的识别效果进行比较.结果表明提出的基于Kohonen网络的高压断路器机械故障识别方法优于BP网络以及RBF网络,具有较高的准确性.%The causes of the failure of high-voltage circuit breaker are mostly mechanical faults.The high-voltage circuit breaker fault diagnosis makes its operation more reliable and efficient and is of great significance for power system.The paper makes the simulation of closing vibration signal on the circuit breaker base in the Laboratory,decomposes the vibration signal under three states by wavelet packet transform,calculates and normalizes each frequency band energy,and constructs eigenvector as the input of Kohonen network to detect the mechanical fault.Finally,the mechanical fault detection for the high voltage circuit breaker is done with the Kohonen network,BP network and RBF network based detection method,and the detection effects are compared.The results show that the detecting method based on the Kohonen network for the mechanical fault in the high voltage circuit breaker has high accuracy,surpassing the BP network and RBF network.

摘要： 由于目前常用的电力负荷预测算法在预测精度和计算效率方面存在一些局限,本文提出一种基于电力负荷历史数据挖掘的负荷预测算法.该算法基于粗糙集理论构建了一种组合式神经网络,该神经网络采用混合式神经单元和并行子网络结构,并基于分层聚类算法和特征曲线算法对电力负荷历史数据进行预处理,利用粗糙集对神经网络的输出数据和连接权值进行属性约简,实现提高历史数据准确性、简化神经网络结构以及降低输入数据冗余的功能.通过仿真试验表明,该算法具有相对于传统神经网络算法更好的预测精度,而且能够将神经网络的收敛效率提升约70％.

摘要： 引起高压断路器故障的原因大部分都是机械故障，因此对高压断路器进行故障诊断，使其可靠、高效地工作对电力系统的运行具有很大的意义。实验室模拟断路器基座支架上的合闸振动信号，采用小波包变换对取得的3种状态下的振动信号进行分解，计算各频段能量并做归一化处理，构造特征向量作为Kohonen网络的输入，进而进行机械故障识别。最后，将基于Kohonen网络的识别方法与BP网络以及RBF网络识别方法对高压断路器机械故障的识别效果进行比较。结果表明提出的基于Kohonen网络的高压断路器机械故障识别方法优于BP网络以及RBF网络，具有较高的准确性。

摘要： 近年来快递业陷入价格战,在电子商务蓬勃发展的背景下,快递业作为一个汇聚着海量数据的行业,对数据的合理挖掘利用更可能带来下一个利润增长方向.以某快递公司一年的消费者行为数据,运用ko ho nen网络进行客户画像.通过对同类的商品市场进行比较、分析与预测,便于商家了解自家产品销售与市场反馈情况,比较竞争对手的产品,从而对产品进行优化.

摘要： 为实现智能仿生手的抓取,提高模式识别的实时性和灵敏性,提出一种在线半监督Kohonen网络.该网络针对表面肌电信号(sEMG)的特性,在有监督Kohonen网络基础上,将有监督和无监督网络的优势进行结合,应用数据剪辑方法处理训练集更新识别网络,在线识别侧边抓取、球形抓取、三指精确抓取和圆柱形抓取4种预抓取手势.实验表明,与不同Kohonen网络相比,此识别方法具有很好的在线识别能力和正确率.

摘要： 为提高智能仿生手姿态手势识别正确率,本文提出一种改进Kohonen自组织竞争网络.针对表面肌电信号(sEMG)特性,对Kohonen网络结构进行调整,增加输出层将其变为有监督学习网络,并优化初始权值.选择具有较高分类能力的特征值AR模型系数作为改进Kohonen网络的输入,识别伸食指、伸腕、屈腕、OK手势、数字8手势、侧腕、胜利手势和反掌8种姿态模式.实验表明,与传统Kohonen网络相比,改进的神经网络分类器具有更高的分类能力.

摘要： 本文讨论模式自组在顾客满意数据分析中的应用，探讨应用模式自组Kohonen网络研究顾客满意因素分布特征及其作用.文中对自组模式识别方法作了简单介绍,阐述了该方法在顾客满意问题中的具体应用,最后对顾客满意数据分析结果进行了讨论。

摘要： 本文讨论模式自组在顾客满意数据分析中的应用，探讨应用模式自组Kohonen网络研究顾客满意因素分布特征及其作用.文中对自组模式识别方法作了简单介绍,阐述了该方法在顾客满意问题中的具体应用,最后对顾客满意数据分析结果进行了讨论。

摘要： 本文讨论模式自组在顾客满意数据分析中的应用，探讨应用模式自组Kohonen网络研究顾客满意因素分布特征及其作用.文中对自组模式识别方法作了简单介绍,阐述了该方法在顾客满意问题中的具体应用,最后对顾客满意数据分析结果进行了讨论。

摘要： 本文讨论模式自组在顾客满意数据分析中的应用，探讨应用模式自组Kohonen网络研究顾客满意因素分布特征及其作用.文中对自组模式识别方法作了简单介绍,阐述了该方法在顾客满意问题中的具体应用,最后对顾客满意数据分析结果进行了讨论。

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： 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： 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： 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： 介绍了图像数据融合技术,阐述了自组织特征映射神经网络模型,即Kohonen网络,它可模拟大脑的侧向抑制功能,只靠输入网络的模式特征便可以自行修改单元连接的权值.实验结果表明,用该网络模型对来自同一景物且带有不同噪声的图像进行数据融合,可以得到较为理想的图像.

摘要： 介绍了图像数据融合技术,阐述了自组织特征映射神经网络模型,即Kohonen网络,它可模拟大脑的侧向抑制功能,只靠输入网络的模式特征便可以自行修改单元连接的权值.实验结果表明,用该网络模型对来自同一景物且带有不同噪声的图像进行数据融合,可以得到较为理想的图像.

摘要： 本发明公开了一种基于A_Kohonen神经网络的恶意代码分类方法，属于计算机网络安全技术领域。本发明首次将人工神经网络引入恶意代码的分类，并对现有无监督学习的Kohonen神经网络进行改进，在第一阶段的无监督学习后，加入一个有监督的学习过程，从而提高了分类准确率。本发明方法可实现对未知恶意代码的快速准确分类，且算法简单，实时性好。

摘要： 本发明公开了一种基于S_Kohonen的非侵入式居民负荷识别方法，所述非侵入式居民负荷识别方法包括以下步骤：步骤一：根据家庭电力入口处有功功率的变化判断投切事件，当发生投切事件时，在家庭电力入口处采集发生投切事件的电器电流样本；步骤二：对采集到的电器电流样本进行频域分析，提取其频域谐波幅值作为各电器的负荷特征，形成负荷特征库；步骤三：设计适用于居民负荷识别的S_Kohonen神经网络，确定S_Kohonen神经网络输入层和输出层的神经元个数以及竞争层的规模，以确定获胜神经元的选择方式和权值调整的学习算法；步骤四：初始化参数；步骤五：训练集对S_Kohonen网络进行训练，测试集进行测试；步骤六：调整网络参数实现最佳网络性能。

摘要： 一种基于Kohonen‑SVM的复杂设备退化状态识别方法，步骤如下：1、对复杂设备的正常功率数据进行采集；2、对筛选后的功率数据进行特征提取‑选择‑降维；3、将多维特征向量数据输入至Kohonen网络中进行无监督聚类学习；4、对退化样本集数据进行划分处理；5、在训练样本集的基础上，采用PSO方法对SVM的参数进行寻优求解；6、使用优化的参数和训练集样本数据进行SVM模型学习，得到退化状态识别模型；7、使用测试集样本数据对分类识别模型的准确率进行验证；通过上述步骤，本发明实现了基于Kohonen‑SVM的复杂设备退化状态识别方法，得到了设备的典型退化状态样本集数据和复杂设备的退化状态识别模型。

摘要： 本发明公开了一种基于Kohonen网络聚类和ReliefF特征选择的空气质量指数预测方法，包括：(1)对空气数据集进行预处理，得到处理后的空气数据集；(2)采用Kohonen网络聚类得到第k类数据集；(3)采用ReliefF特征选择算法处理数据集，得到第k类数据集特征重要程度的排名；(4)通过特征重要程度排名，得到第k类经过特征选择后的数据集；(5)通过NAR神经网络得到第k类NAR神经网络训练模型；(6)根据数据x所在类的特征排名选取特征，得到预测结果。本发明利用Kohonen网络聚类对空气数据进行聚类，获得在相同时间段内变化规律相似的类别，发掘更为准确的预测模型，提高预测精度；利用ReliefF特征选择算法获得特征排名，去除对预测帮助较小的特征，从而提高运行效率。

摘要： 本发明公开了一种基于kohonen神经网络聚类抽样方法，包括如下具体步骤：录入数据，并提取属性特征；根据提取的属性特征进行kononen神经网络聚类；利用相对误差确定样本总量；根据聚类后的样本所在的大类，以及大类的属性特征给予各类不同的样本量；在各个类别样本量确定之后，在各个类别的内部进行分层抽样，分配所对应的权重，获取最后抽样样本。本发明既保证了样本点在总体中不会出现集中于某一类企业的情况，又能将真正需要进行调查的企业抽取出来。改进出口企业存在的“帕雷托效应”、以及传统抽样方法的局限性对抽样结果的影响；并且避免大部分抽取的企业为属性特征相同的企业。

摘要： 本发明涉及一种基于Kohonen神经网络的最佳攻击路径规划方法，属于信息安全技术领域。具体操作步骤为：步骤一、获取网络结构。步骤二、收集网络系统中主机及漏洞信息。步骤三、建立Kohonen神经网络模型。步骤四、训练Kohonen神经网络模型，得到训练好的Kohonen神经网络模型。步骤五、使用训练好的Kohonen神经网络模型，对实验数据进行预测，得到输出向量Ym。步骤六、构造K‑攻击图。步骤七、根据K‑攻击图构造概率矩阵以及最佳原子攻击矩阵。步骤八、得到最佳攻击路径。本发明提出的基于Kohonen神经网络的攻击路径规划方法与已有技术相比较，具有以下优点：①生成的攻击图只保留最可能的攻击节点，避免了状态爆炸问题。②泛化性能强。③最优攻击路径生成速度快。

摘要： 本发明公开了一种模糊Kohonen鉴别聚类网络的茶叶红外光谱分类方法，包括以下步骤：第一步，茶叶样本红外光谱采集；第二步，茶叶样本红外光谱的多元散射校正(MSC)。第三步，用主成分分析方法对茶叶的红外光谱进行降维处理，再用线性判别法进一步提取特征和降维；第四步，运行模糊C‑均值聚类以得到初始聚类中心；第五步，采用一种模糊Kohonen鉴别聚类网络方法进行茶叶品种的分类。本发明解决了模糊Kohonen聚类网络在对数据进行模糊聚类过程中无法提取数据的鉴别信息，导致聚类准确率不高的问题。本发明可实现在聚类过程中动态提取茶叶光谱数据的鉴别信息，具有检测速度快，分类准确率高，分类效率高，可实现不同品种茶叶的分类。

摘要： 本发明公开了一种基于Kohonen神经网络的入侵检测方法,它包括首先使用大量正常样本以及入侵样本训练Kohonen神经网络，使其隐藏层各不同类型的神经元聚集在一起。某种类型的神经元只能对特定的输入数据进行相应或者敏感,然后使用测试数据对训练后的网络进行测试。对于每一个输入，判断标准是:计算其与所有隐藏层节点的距离，距离最短的隐藏层节点所对应的类型即此次输入所对应的类型,最后统计所有测试数据的识别准确输率。本发明采用入侵检测评测权威数据集Kddcup99，通过字符替换以及数据归一化将其转化为Kohonen神经网络能够识别的类型，分别采用数据集所有字段以及降维以后的字段对网络进行训练和测试，发现此方法对入侵识别准确率达到92.72％。

摘要： 本发明公开了一种基于A_Kohonen神经网络的恶意代码分类方法，属于计算机网络安全技术领域。本发明首次将人工神经网络引入恶意代码的分类，并对现有无监督学习的Kohonen神经网络进行改进，在第一阶段的无监督学习后，加入一个有监督的学习过程，从而提高了分类准确率。本发明方法可实现对未知恶意代码的快速准确分类，且算法简单，实时性好。

摘要： 一种基于Kohonen‑SVM的复杂设备退化状态识别方法，步骤如下：1、对复杂设备的正常功率数据进行采集；2、对筛选后的功率数据进行特征提取‑选择‑降维；3、将多维特征向量数据输入至Kohonen网络中进行无监督聚类学习；4、对退化样本集数据进行划分处理；5、在训练样本集的基础上，采用PSO方法对SVM的参数进行寻优求解；6、使用优化的参数和训练集样本数据进行SVM模型学习，得到退化状态识别模型；7、使用测试集样本数据对分类识别模型的准确率进行验证；通过上述步骤，本发明实现了基于Kohonen‑SVM的复杂设备退化状态识别方法，得到了设备的典型退化状态样本集数据和复杂设备的退化状态识别模型。