基于自组织聚类和JS散度的RBF神经网络

针对如何确定径向基函数(RBF)神经网络隐层结构这一问题进行研究,提出一种基于自组织聚类和JS散度的RBF神经网络。为解决K-means算法对初始值敏感的问题,提出基于距离的自组织初始聚类,将戴维森堡丁(DBI)指数作为准则函数,进一步提高聚类精度,得到代表数据集分布特性的隐节点;为解决隐节点冗余和相似的问题,提出一种基于敏感度分析的隐节点删除方法和基于詹森-香农(JS)散度的隐节点合并方法。仿真结果验证了该算法的有效性。

基于加权信息量和迭代自组织聚类的地质灾害易发性评价

以三峡库区忠县-方斗山地区为研究对象,首先选取坡度、坡向、坡高、岩土体类型、坡体结构、构造、水的作用、人类工程活动等8个评价因子建立地质灾害易发性评价指标体系,并对因子状态进行分级;然后,采用层次分析法计算各指标因子的权重,应用加权信息量模型进行地质灾害易发性评价;再者,利用迭代自组织聚类模型对地质灾害易发性评价结果进行分级区划;最后,对地质灾害易发性评价的精度进行定量评价。结果表明:地质灾害易发性评价结果与实际地质灾害发生的吻合度高、评价结果可靠、评价方法精度高、适用性强;岩土体类型、坡体结构、水的作用及人类工程活动是地质灾害发育的最主要控制因素;地质灾害易发性划分为极高易发、高易发、中易发、低易发、极低易发五个等级。建立的评价方法从权重确定和等级划分方面完善了地质灾害易发性评价理论体系,可为区域地质灾害易发性评价提供理论指导和技术参考。

岩体结构面产状的自组织聚类分析

为了给出客观准确的岩体结构面优势产状,用ISODATA(自组织聚类)算法,采用最小球面距离原则进行分类,将重心向量单位化后作为新的聚类中心,并以类内最大分量标准偏差控制分裂,聚类中心的球面距离控制合并,利用计算机进行编程实现。将此方法应用于湛江水封洞库岩体结构面产状的分析中,通过3组收敛精度依次增加的参数,得出了内聚性越来越高、类间距离越来越小的优势结构面产状,及聚类组数和每组样本数的客观准确结果。研究成果为判别结构面空间发育状况提供方便,弥补了传统图形分析方法不能进行精确划分的不足和以往分析方法不变的聚类组数及原理过程复杂的缺点。

自组织聚类的P2P语义路由算法

为解决结构化P2P语义路由过程效率低的问题,通过分析哈希函数,归纳出目的节点、传统语义路由中继节点序列、聚类邻居节点集三者之间的逻辑关联特性,提出一种自组织聚类的P2P语义路由算法,在提高路由效率的同时,保证P2P网络的对等性、自组织性及规模可缩放性。

一种用于神经网络汉字识别系统的自组织聚类方法

本文提出一种用于大类别模式识别系统的改进的自组织聚类方法．采用这种方法把３７５５种多体印刷汉字聚类为几千个子集．聚类正确率优于９８％．

基于自组织聚类的Kademlia改进模型

针对结构化P2P网络因忽略逻辑拓扑与物理拓扑差异而导致的路由绕路问题,首先提出一种聚类算法,将物理位置紧邻的节点自组织为若干分布式聚类;然后以聚类为单位设计了关联节点物理拓扑相邻性和逻辑拓扑相邻性的节点标识方法,并且利用该方法改进了传统Kademlia模型;最后对改进模型的性能进行了理论分析和实验测试.结果表明,改进模型通过增强每一跳路由在物理拓扑中的合理性,达到了避免路由绕路的目的,路由算法性能较传统模型提升近15%.

基于自组织聚类和蚁群算法的无线传感器网络路由算法

根据无线传感网络能量受限的特点,提出一种低能耗路由算法SOC-IACO,算法由自组织聚类算法SOC和改进蚁群算法WAC组成。先通过SOC将节点分簇,选取簇头构造簇头数据链,再通过WAC构造簇内节点数据链。簇内数据沿节点数据链汇聚至簇头、簇头数据沿簇头数据链汇聚至总簇头,由总簇头发送数据至基站。实验表明,由于聚类过程中考虑了节点分布和簇负载均衡并采用双层链路由,SOC-IACO算法能大幅降低节点能耗提高网络寿命。

基于自组织聚类和改进粒子群算法的语音转换方法

提出一种基于自组织聚类,并且利用改进粒子群算法确定转换模型参数的语音转换方法.该方法首先基于自组织特征映射网络对特征参数进行聚类,再对每个聚类分别建立转换规则,并且利用柯西变异的粒子群算法确定每个转换规则中的模型参数.与传统的单一转换规则相比,聚类后建立的多转换规则以及利用改进粒子群算法确定参数能够提高映射关系的准确度,避免参数陷入局部最优点。以女声转男声为例,主观测试表明该方法得到的转换语音与目标的相似度提高了27.6%,平均主观意见分(Mean Opinion Score,MOS)提高了0.6,客观测试也表明该方法谱失真最小,与目标的包络更接近.

一种基于自组织分级聚类的数据挖掘方法

针对传统自组织聚类方法处理数据在多维空间中存在多样性和从基本或低层次概念 上发现强关联规则中的不足,提出了一种基于自组织分级聚类的数据挖掘方法．该方法采用最大 似然分类自组织特征网络(MAXNET)聚类过程,利用自下而上聚合层次聚类方法,对有畸变的二值 化输入模式作最大似然分类．最后对一个销售电脑商场中,与任务相关的交易数据集进行了分析, 描述了从低层次概念到高层次概念的相互关系．并用matlab仿真软件把该方法和传统方法进行比 较,表明了该方法的有效性．

基于改进自组织映射聚类算法的连锁故障预测模型

为提高电力系统连锁故障预测的快速性和全面性,提出一种基于改进自组织映射聚类算法的连锁故障预测模型。针对事故链预测模型的故障指标模糊、事故链模型过于庞大等问题,该模型首先设计了初始故障集评价指标、上下级支路间关联性指标。其次改进自组织映射聚类算法,对关联性指标进行聚类分类,并在上下级支路关联性确定中,设定适当阈值。最后,利用IEEE36节点系统进行仿真验证。结果显示:本文方法在3.245 s时可预测到6级总计37条故障线路,故障预测范围达到97%。可见,本文方法与传统方法相比能有效缩短预测时间,扩大预测范围。

分层自组织耦合振荡聚类方法

A self-organization of pulse-coupled oscdlators for clustering method is studied and the defectiveness of the method is analyzed. With modification to the method a new clustering method is presented. Experiments indicate the modified method is effective.

基于SOM特征聚类及RBF神经网络的电力负荷预测方法研究

为了提高电力系统负荷预测的精度,维护电力系统运行的安全稳定性,提出一种基于特征向量的自组织映射聚类和改进的径向基函数神经网络相结合的电力负荷预测模型。通过提取能够体现每日电力负荷特性的特征向量,对样本进行聚类,采用具有相似特征的数据作为神经网络的训练样本,提高了样本规律性。采用粒子群算法(particle swarm optimization,PSO)修正神经网络粒子群速度及位置,以克服梯度下降、局部最优等问题对网络预测精度的影响。基于某地配电网电力负荷数据,验证了所提模型的有效性及良好的适应性。

一种基于群体智能的Web文档聚类算法

将群体智能聚类模型运用于文档聚类 ,提出了一种基于群体智能的 Web文档聚类算法 .首先运用向量空间模型表示 Web文档信息 ,采用常规方法如消除无用词和特征词条约简法则得到文本特征集 ,然后将文档向量随机分布到一个平面上 ,运用基于群体智能的聚类方法进行文档聚类 ,最后从平面上采用递归算法收集聚类结果 .为了改善算法的实用性 ,将原算法与 k均值算法相结合提出一种混合聚类算法 .通过实验比较 ,结果表明基于群体智能的 Web文档聚类算法具有较好的聚类特性 ,它能将与一个主题相关的 Web文档较完全而准确地聚成一类 .

基于迭代自组织数据聚类阈值PCNN的图像分割法

基于迭代自组织数据聚类阈值的脉冲耦合神经网络的图像分割算法改进了传统脉冲耦合神经网络在图像分割中由于不恰当的参数选择而导致图像欠分割和过分割的问题。基于迭代自组织数据聚类阈值的脉冲耦合神经网络图像分割算法无需确定参数和循环次数,也不需要用特定原则确定循环结束的条件,只需利用图像中的每个像素点的灰度值进行聚类,然后利用改进的迭代自组织数据算法确定图像的初始聚类数目以及聚类中心,并以此作为脉冲耦合神经网络的最佳阈值,一次点火过程自动完成分割。实验结果表明,这种算法具有较好的分割结果和分割速度,提高了分割的准确性。

基于天气类型聚类识别的光伏系统短期无辐照度发电预测模型研究

现有光伏发电量预测模型大多以太阳辐照度作为必要的输入,然而,由于当前国内太阳辐射站点仍较稀少且预报能力较低,因此此类预报方法难于实施。利用距离分析方法分析光伏发电量与气象因素间的相关性,确定以气温和湿度作为预报输入因子,建立反传播(back propagation,BP)神经网络的无辐照度发电量短期预报模型。此外,为适应天气突变,采用自组织特征映射(self-organizing feature map,SOM)由云量预报信息对天气类型聚类识别,继而对各天气类型采用相应的预测网络,避免了单神经网络的过拟合问题。通过与含辐照度输入及无天气聚类识别的预测模型做交叉对比实验,预测结果表明,天气类型聚类识别能显著提高预测精度,无辐照度光伏发电量短期预测模型有较高的精度和50%湿度抗扰动性。

模糊ISODATA聚类结合直方图熵值算法的异常行为检测

针对传统智能视频监控系统不能及时准确地发现危险或者发现危险不能及时报警的问题,提出一种基于模糊迭代自组织数据分析聚类结合直方图熵值算法的异常行为智能检测方法。该方法通过模糊迭代自组织数据分析聚类方法获取视频关键帧,根据分类结果采用直方图熵值法对异常行为进行判断。实验结果表明,所提算法可以对具有复杂背景的监控区域有效地实现人体的检测,并且能准确地识别出人体异常的动态行为,有效地减少了住宅小区和养老院的安全隐患。

基于ISODATA聚类算法的语音转换研究

提出了一种基于迭代自组织聚类算法(ISODATA)的双线性频率弯折语音转换模型。根据语音特征参数分类不充分产生残差成分的问题,在基于高斯混合模型的聚类过程中引入了迭代自组织聚类算法。该算法将聚类得到的类内均值作为训练模型初始均值,改善了EM算法初始值选取不当导致算法不能收敛的问题,从而对特征参数的拟合更加准确,结合后续的双线性频率弯折(BLFW)模型实现语音转换。实验测试结果表明:提出的算法具有较好的自适应聚类特性,能够使特征参数分类更合理,进而得到更准确的转换函数,使得转换的语音更接近目标语音。选择合适的初始值参数,对提出的算法与高斯混合模型及双线性频率弯折模型进行比较,平均MCD值相差很小,平均MOS值有所提高。这说明合理精确的聚类有利于提高语音转换系统的性能。

融合聚类算法与YOLO-v3网络在果蔬种植防虫害中的应用研究

采用融合ISODATA聚类算法与YOLO-v3网络构建果蔬虫害识别模型,利用预选框提取方法分辨栅格害虫目标个数,并加入空间金字塔池化结构,以提高图像特征提取的稳定性。在害虫种类识别的测试中,优化的YOLO-v3网络mAP为88.92%,比Faster-RCNN高3.7个百分点。而在果蔬图像背景测试中,优化的YOLO-v3网络mAP为87.32%,比传统YOLO-v3模型高4.4个百分点。试验表明:优化的YOLO-v3网络对于图像噪声抗干扰性更强,检测精度高的同时保持了稳定的检测效率。

基于聚类算法的风电波动过程研究

受电源结构和电网结构等因素制约,风电出力的随机性和波动性已给我国电网的安全运行和清洁能源的高效消纳带来了很大挑战。文中研究了基于自组织映射神经网络算法的风电波动过程划分方法,进而提出了基于聚类分析的多时空尺度风电波动特性研究框架。并在此基础上,以“三北”地区2017年实际运行数据为依据,从“风电场-省级电网-区域电网”三个层级研究了风电的分钟-小时级短期波动幅度特性和长期统计特性。分析结果表明,自组织映射聚类算法可对风电波动类别进行有效辨识,风电出力波动的时间-空间特性指标可对风电富集地区的调度运行提供量化决策依据。

基于天气类型聚类和LSTM的PM_(2.5)短期预测模型

为了提高多变天气状态下PM_(2.5)的预测精度,利用灰色关联分析确定与PM_(2.5)相关性较强的因素,通过Copula函数建模分析得出PM_(2.5)与AOD具有强相关性且季节差异明显。采用自组织特征映射(SOM)对天气类型进行聚类识别,基于LSTM建立不同天气类型下的PM_(2.5)浓度短期预测模型。算例结果表明,与传统BP神经网络、支持向量回归方法相比,基于LSTM建立的模型具有更高的预测精度。