基于自组织映射神经网络的淮河流域生态系统服务簇时空变化特征

生态系统服务簇的识别是区域生态系统服务管理与优化的关键。量化了2000、2010、2020年淮河流域产水量(WY),水源涵养(WC),土壤保持(SC),生境质量(HQ),水质净化(WP),净初级生产力(NPP)和碳储量(CS)7种生态系统服务。并基于自组织映射神经网络(SOFM)识别了生态系统服务簇,探讨了生态系统服务簇的时空变化特征。结果表明:(1)2000—2020年,WP,NPP与WC呈上升趋势,WC的增幅最大;CS与HQ呈下降趋势。淮河流域各生态系统服务具有时空异质性,生态系统服务高值区多位于西南部山区与东北部丘陵山地地区。(2)识别了5个生态系统服务簇:核心生态服务簇,WP服务簇,WY服务簇,NPP服务簇与生态过渡服务簇。核心生态服务簇与生态过渡服务簇的面积总体增加,流域西南部山区与东北部丘陵山地地区生态系统服务提升,2000—2020年,WY服务簇与NPP服务簇间的转移面积较大,WY服务簇面积减少达60.09%,NPP服务簇面积显著增加,2020年占整个流域面积的57.02%。研究结果不仅有助于清晰认识淮河流域生态系统服务簇的空间分布格局及动态变化,也为探索淮河流域可持续的生态系统管理与规划决策奠定了基础。

基于自组织映射和K-means聚类的分层设计空间动态缩减方法及其在船型优化中的应用

[目的]基于CFD的船型优化由于其高维、计算昂贵、“黑盒”等特点,通常会存在优化效率低,优化质量差的问题。针对以上问题,基于自组织映射方法和K-means聚类提出分层设计空间动态缩减方法(HSRM)。[方法]利用K-means聚类算法,对自组织映射方法的可视化结果进行聚类,并提取感兴趣的区域。通过该方式,可在船型优化过程中,对样本仿真数据进行数据挖掘、提取设计知识、指导设计优化,以提高优化质量。最后将该方法应用于7500吨级散货船的船型优化设计过程以验证有效性。[结果]结果表明,利用传统粒子群优化算法(PSO)和HSRM得到的优化船型总阻力分别降低1.854%和2.266%,HSRM能得到更高质量的优化解。[结论]所提出的方法可以指导优化算法向着最优解的方向进行寻优,有效提高优化效率和优化质量。

基于受监督自组织映射的慢性阻塞性肺疾病氧减状态辨识

慢性阻塞性肺疾病(COPD)是一种与人体肺部及呼吸道相关的常见慢性疾病,严重威胁着人类健康。氧减状态的准确辨识对于诊断COPD具有重要的临床指导意义。基于受试人员的6分钟步行数据,本文展开了COPD氧减状态的辨识研究,对每个待辨识点进行特征表示,包括血脉氧饱和度指数、脉搏、血脉氧饱和度指数的窗口特征、梯度特征以及耦合特征,在上述特征表示的基础上,使用数据集来训练用于氧减状态辨识的受监督自组织神经网络模型。严格的对比实验结果表明:本文所提出的辨识模型优于现有的其他方法,全局性能指标AUC达到了0.8611,可以有效用于氧减状态的辨识,对于COPD的诊断具有重要的参考价值。

考虑易用性和可解释性的自组织映射-即时学习风险预测框架

为提高风险预测系统的易用性和可解释性,提出基于自组织映射网络(SOM)改进的即时学习(JITL)风险预测框架。首先,应用SOM对数据样本进行聚类,并对聚类特征进行解释。进而,通过基于聚类结果的样本选择算法构建待测数据的相似样本集,在线上调用作为基学习器的支持向量机(SVM)进行建模并输出风险预测结果。最后,采用一个交通事故数据集对风险模型的性能进行测试,检验其精度、易用性和可解释性。结果表明:采用SOM-JITL策略的SVM模型,受试者工作状况曲线面积指标达到0.720,相比不使用该策略的传统SVM模型提高17.5%,精度较高;SOM-JITL模型构建所需参数调节工作少,具有较好的易用性;此外,SOM聚类结果准确识别出处于交通拥堵等高风险场景,与现实场景一致,具有可解释性。综上,SOM-JITL策略能有效提高基学习器的性能,达到精度、可解释性和易用性的平衡,有助于以低成本大规模推广风险预测系统。

基于混合自组织映射神经网络的云南省山洪灾害危险性区划

开展云南省山洪灾害危险性区划工作,以自组织映射神经网络为基础,混合Ward、PAM、CLARA、K-means和HK-means的5种方法进行二阶聚类,应用戴维森堡丁指数(Davies-Bouldin index,DBI)、轮廓系数(silhouette coefficient,SC)、聚类模型评估指数(Calinski-Harabaz index,CH)确定最佳聚类方案,之后以变异系数和变异系数一阶拆分确定最佳区划数量.结果显示:①SOM(self organizing map)+CLARA(clustering LARge applications)方法通过聚类有效性检验效果最好,其DBI值为1.0、SC值为0.9、CH值为0.3334,基于该方法得到云南省山洪灾害危险性最佳聚类数为5类,呈现类别空间分离,灾害属性相似的特征;②通过变异系数(coefficient of variation,CV)值变化及变异系数一阶差分(first-order difference,FOD)最低取值确定云南省山洪灾害危险性最佳区划单元为16个,具有形状上与地貌单元相近、数量上与行政单元相同,内部灾害发生机理相似的特征;③通过山洪灾害点、降水量、高程地貌的可视化比较,地理探测器定量分析,表明区划结果有较高的区内一致性和区间异质性.

煤矿违章行为自组织映射分布研究

为提升违章行为管理的有效性和针对性,引入行为安全“2-4”模型(24Model)和自组织映射网络(SOM)研究违章行为的分布特征;利用24Model分析现场违章行为,构建违章行为分类体系;通过SOM对违章行为特征数据进行训练和学习,结合k-means算法分析部门的聚类特征,生成可视化拓扑结构,识别出关键违章行为。结果表明:得到的三级违章行为分类体系,识别出了违章行为数量较多的部门及其高频发违章行为;根据三级违章行为映射图,“未合理布置工艺设备及作业环境”、“未有效维护设备和设施”、“脱岗或离岗”等是该煤矿整体的高频发违章行为,广泛存在于多数部门中;根据二级违章行为映射图,“不安全操作”数量最高,主要为体现为“未按规程作业或作业不到位”,多发于生产技术部、钻机队;对关键违章行为及相应部门采取针对性措施,能有效降低因不安全行为导致事故发生的可能性。

基于改进自组织映射的用户电碳画像构建方法

近年来,“碳达峰·碳中和”目标的提出促进了能源电力领域的低碳转型。在新型电力系统中,除了发电侧,用户侧也应承担部分碳排放责任。针对用户侧的碳排放责任分摊以及现有用户画像对碳特性的研究缺失,提出了一种基于改进自组织映射(ISOM)的用户电碳画像构建方法。首先,基于节点负荷数据构建潮流模型并进行碳排放流分析;其次,基于碳排放流分析,构建结合减碳潜力的负荷动态调度模型,进而得到多元电碳特征;然后,基于麻雀搜索算法(SSA)和三角拓扑邻域的自组织映射(SOM)对多元电碳特征聚类形成用户电碳画像;最后,在不同调度场景下对电网用户实际负荷数据进行测试,并与现有方法进行对比,实验结果验证了所提方法的有效性和实用性。

基于多任务特征融合算法的电力大数据增量式自组织映射方法

为了实现电力大数据精准映射,基于多任务特征融合算法研究电力大数据增量式自组织映射方法。对电力大数据进行分解,以线性组合形式划分特征类型;利用多任务特征融合算法设计候选分类类别数量,确定自组织映射目标;通过不同数据的语义长度对应所属类型,实现电力大数据的增量式自组织映射,完成增量式数据的自组织映射方法设计。以某省实际运行的电力公司为测试对象,对其一年内产生的电力大数据作为测试样本,分别将其按照具体的类型进行映射,验证新方法。实验结果表明,新方法可以实现精准的自组织映射,在整个过程中不会产生数据交换误差,具有应用价值。

融合PSO和自组织映射的智能工厂产品质量检测模型研究

智能工厂的兴起将产品质量检测推向自动化和智能化。为提升检测的精度与实时性,本研究利用粒子群优化算法优化自组织映射网络的参数,设计出一种混合产品质量检测模型。仿真实验显示,在最大迭代次数1000下,该模型的平均欧式距离降至24.7,速度与精度均优于传统方法。同时,设计模型的召回率分别比另外两种模型高3.8%、8.7%,误报率分别比另外两种模型低0.0023、0.0027,证明了设计模型能够检测出产品质量问题。表明混合模型有助于提高生产效率和产品质量,对于智能工厂生产线实现高效、自动化的质量监测具有重要意义。

基于有监督核自组织映射的锂电池健康状态预测

高效准确地预测锂电池的健康状态(State of health,SOH)可以保证锂电池的正常运行,提高维护效率及电池本身的稳定性。提出一种基于有监督核自组织映射(Supervised kernel self-organizing map,SKSOM)的建模方法用于锂电池SOH预测。首先,对锂电池的原始放电数据进行预处理及归一化;然后,设计并优化了针对SKSOM的输入特征,在此基础上训练出SOH预测模型;最后,在美国国家航空航天局(National Aeronautics and Space Administration,NASA)的标准锂电池数据集上进行验证。实验结果表明,该文所用的预测模型能有效挖掘出锂电池的SOH规律,预测性能优于其他已有的SOH预测模型。

基于生长分层自组织映射网络的岩性识别模型

针对复杂类型油气储层的岩性识别难的问题,提出了一种新的基于生长分层自组织映射网络的岩性识别模型,并对金衢盆地金66测井数据进行仿真试验。结果表明,它是一种操作简便、易于实现的模型;既保留了自组织映射网络的优点,又具备其自身的优势;不但能对输入数据进行正确的聚类,而且能将输人数据中的层次继承关系直观地展现出来,从而可进一步提取出输入数据的共性与特性,并有助于对高维数据的深层次分析。在复杂的油气藏领域中可以应用生长分层自组织映射网络进行岩性识别,具有广泛的应用前景。

基于自组织映射神经网络的电力用户负荷曲线聚类

电力用户负荷曲线的聚类是形成合理电价体系和实施负荷管理措施的基础。文中基于自组织映射(SOM)神经网络进行低压终端用户的负荷曲线聚类研究。首先定义并提取功率曲线、分时功率、功率频谱3类向量,分别作为SOM神经网络的输入进行可视化聚类。采用相对量化误差和拓扑误差2个指标表征聚类质量,选取聚类结果最好的SOM输出层结合k均值法进行用户负荷曲线划分。根据Davies指标将所研究的131条曲线划分为8类,对每类曲线进行描述。最后进行新用户的识别,结果表明聚类方法有效、可靠。

基于自组织映射神经网络的VANET组网算法

研究了应用于汽车辅助驾驶、无人驾驶等智能交通领域的车辆组网方法,提出一种将自组织映射神经网络算法应用于车辆自组织网络进行车辆组网的算法,该算法根据车辆定时发出的消息中位置、行驶方向等信息对车辆按目的地、行驶方向的相似性进行组网,组网后的车辆主要接收并处理与之在同一个网络中的车辆的信息。理论分析和仿真结果表明,组网后的系统传输时延远低于未组网通信情况,吞吐量有显著提高。

基于自组织映射支持向量机的日前电价预测

针对电力市场中日前24点电价特性差异较大、采用单一模型很难描述的特点,建立多个模型分别对其进行预测,将数据空间按时点划分成24个子空间,然后根据这些子空间的相似性通过自组织映射对其进行自动聚类,并在不同类别的子空间分别建立支持向量机模型进行训练和预测。应用上述方法对PJM电力市场2005年8月的31天日前24点电价进行预测,结果表明该方法能够有效提高预测精度。

基于自组织映射神经网络的中药注射剂质量快速鉴别方法

将近红外光谱分析技术与人工神经网络相结合,研究提出一种基于自组织映射神经网络的近红外光谱神经元分类模型,用于对中药注射剂产品的近红外光谱进行计算分析,可实现对注射剂质量的快速鉴别。以3个不同厂家生产的参麦注射剂为研究对象,考察本方法的分类能力,其分类正确率达到96.4%,优于参与比较的判别式偏最小二乘法(90.5%)、反向传播神经网络(88.1%)和支持向量机(90.5%)。

基于自组织映射神经网络的低压故障电弧聚类分析

故障电弧是引发电气火灾事故的主要原因之一。本文将自组织映射神经网络引入故障电弧研究领域,进行不同负荷情况下的故障电弧聚类分析。首先参照美国UL1699标准进行实验采集电流数据,然后利用自组织映射神经网络实现可视化聚类,并结合k均值法确定聚类结果。根据聚类结果分析故障电弧,对比故障与正常时的差异所在,提取故障电弧的典型特征。最后总结出故障电弧电流通常具有电流短时为零、正负半周差异大、幅值变化大等特征,为故障电弧保护技术提供参考。

产品装配信息概念模型及自组织映射方法

提出了一种基于装配信息自组织的产品装配信息建模方法 ,主要包括面向装配的产品信息的概念模型、零件的装配定位和装配模型的确定及零件的重新设计。提出的产品信息的原理图模型、广义机构模型、装配简图模型和装配图模型与从装配简图模型到装配图模型的自组织映射方法 ,是一种新的、有效的产品信息装配建模方法 ,为支持概念设计的

三维荧光结合自组织映射神经网络考察自来水厂有机物去除效果

三维荧光光谱在水体监测和水处理领域日益引起广大研究者的关注。自组织映射神经网络(SOM网络)作为一种非监督、自学习的神经网络,具有自稳定性高、抗噪声能力强等特点。使用SOM网络对某自来水厂处理流程中水样的荧光光谱进行解析,可以将三维荧光光谱聚类成三类,分别对应为络氨酸类蛋白有机物、色氨酸类蛋白有机物、紫外富里酸类物质。整个自来水处理工艺能够有效的去除水体中的有机物,其中络氨酸类、色氨酸类、紫外富里酸类物质的去除率分别为84.6%,79.9%,69.1%。研究结果表明,SOM网络可以作为一种有效的水体荧光光谱分析工具,有助于优化水处理工艺参数,提高水处理工艺性能、以及自来水厂的监测和管理。

基于自组织映射的手写数字识别的并行实现

针对自组织映射(SOM)神经网络算法实现复杂的问题,提出SOM算法的简化方案及并行硬件电路架构.经典SOM算法中,权值更新函数须使用浮点数乘法、开方以及指数等运算,硬件并行实现十分困难.传统的SOM简化方法的聚类准确率不高,面对手写数字识别这类复杂应用,传统方法的识别率十分有限.提出的SOM简化算法可以在保证系统聚类准确率的同时,除去权值更新函数中的复杂运算,易于硬件的全并行实现.基于提出的SOM简化算法及并行电路架构,实现的手写数字识别系统的工作频率为50 MHz,单次输入的学习时间仅需200ns,实时处理性能可达400MCUPS.识别系统针对MNIST样本库的识别准确率超过81%,与经典SOM算法的准确率持平,明显优于其他SOM简化方法.

基于自组织映射的齿轮箱状态监测可视化研究

提出了一种自组织映射网络训练结果的可视化方法——距离映射祛,该方法通过计算出竞争层神经元权矢量与输入模式的相似度,并综合考虑神经元的网格分布,把输入矢量降维映射到二维平面。结合该方法研究了自组织映射网络在齿轮箱故障识别和状态监测中的应用。与U—矩阵法相比,该方法能更加清楚地将齿轮正常、裂纹和断齿状态的特征数据映射到二维平面的不同区域,将齿轮箱状态聚类分开,特征数据在平面上的映像点轨迹变化趋势直观反映了齿轮箱工作状态的变化,便于及时监测识别出齿轮的早期故障及其变化趋势。