模糊K-Harmonic-Kohonen网络的FTIR光谱数据聚类分析

食品的品种不同则其含有营养成分和功效存在差异,得到的傅里叶变换红外光谱也存在差异。为了准确的实现品种分类,设计了一种将傅里叶变换红外光谱与模糊聚类分析方法相结合的品种鉴别方法。在模糊Kohonen聚类网络(FKCN)基础上将模糊K调和聚类(FKHM)引入到Kohonen聚类网络的学习速率和更新策略中,提出了模糊K-Harmonic-Kohonen网络(FKHKCN)算法。FKHKCN利用模糊C均值(FCM)聚类的模糊隶属度计算其学习速率,以FKHM的聚类中心为基础通过推导计算得到FKHKCN的聚类中心,可以解决模糊Kohonen聚类网络方法对于初始类中心敏感而导致聚类结果不稳定的问题。FKHKCN作为一种模糊聚类算法,可实现傅里叶变换红外光谱数据的聚类分析。采用三种数据集:(1)采集产自四川的三种茶叶(优质和劣质的乐山竹叶青以及峨眉山毛峰)作为实验样本,样本总数为96。(2)两个品种(robusta和arabica)的咖啡样本。(3)三个品种(鸡肉、猪肉和火鸡)的肉类样本。首先对三个光谱数据集进行预处理,利用多元散射校正降低茶叶样本原始光谱数据集的散射影响,使用Savitzky-Golay减少噪声对肉类和咖啡这两个光谱数据集的影响。再利用主成分分析将高维的三种光谱数据集压缩至低维。然后采用线性判别分析进行特征提取,将光谱数据投影到求得的鉴别向量上。最后分别采用FCM,FKCN和FKHKCN对茶叶、肉类和咖啡进行判别。最终结果如下:FCM,FKCN和FKHKCN对茶叶品种的聚类准确率分别为90.91%,90.91%和93.94%;对肉类品种的聚类准确率分别为90.83%,0.00%和92.50%;对咖啡品种的聚类准确率分别为89.17%,89.17%和90.83%。以上实验结果表明:采用傅里叶红外光谱技术结合主成分分析、线性判别分析和FKHKCN的方法能够较有效地对食品的品种进行鉴别,且鉴别准确率比FCM和FKCN更高,聚类结果更稳定。

模糊Kohonen网络在烟叶分类中的应用

对于分类问题的处理有很多经典方法,但近年来因为人们对神经网络理论及其应用的重视,使得Kohonen网络(KN)越来越受到普遍关注。该文利用模糊控制策略将模糊c-均值算法与经典的Kohonen算法有机地结合起来,使网络性能到了很大改善。

基于KOHONEN神经网络的电力系统负荷动特性聚类与综合

提出了应用Kohonen神经网络解决电力负荷动态特性的聚类问题:首先对每组负荷扰动数据建模,进而将各负荷模型对相同电压激励的响应与相应的负荷有功运行水平合并形成特征向量,最后引入Kohonen神经网络进行聚类。通过对河北沧州地区1996年、1997年和1998年电力负荷特性数据的聚类与综合处理发现:Kohonen神经网络是一种学习速度快、分类精度高、抗噪声能力强、并且适用于电力负荷动态特性聚类的神经网络模型。同时还发现电力负荷特性具有可重复性,这也证明了总体测辨法的可行性。若将这些典型负荷模型实用化,将有利于提高电力系统仿真准确度。

基于有监督Kohonen神经网络的步态识别

表面肌电信号随着时间的变化而改变,这将影响运动模式的分类精度.传统人体下肢假肢运动模式的识别算法不能保证在整个肌电控制时间内达到对运动模式的有效识别.为了解决这些问题,本文提取步态初期200 ms的信号的特征值,将无监督和有监督的Kohonen神经网络算法应用到大腿截肢者残肢侧的步态识别中,并与传统BP神经网络进行了对比.结果表明,有监督的Kohonen神经网络算法将五种路况下步态的平均识别率提高到88.4%,优于无监督的Kohonen神经网络算法和BP神经网络.

基于分形理论和Kohonen神经网络的纹理图像分割方法

分形理论作为描述自然现象的一种模型，受到人们越来越多的重视。该文提出采用分形维数和多重分形广义维数谱q－D（q）作为纹理特征，采用自组织神经网络Kohonen网络作为分类器的图象分割方法。通过对纹理图象的分割实验，结果令人满意，证实该方法的有效性。

基于Kohonen和BP神经网络的文本学习算法

介绍了基于Ｋｏｈｏｎｅｎ和ＢＰ神经网络结合的Ｉｎｔｅｒｎｅｔ网上文本学习算法。它采用向量空间模型对文本进行编码，利用 Ｋｏｈｏｎｅｎ网络的自组织特性和ＢＰ网络的非线性特性进行学习。经过训练，算法能够有效地对输入文本进行判断，给出一个评价等级，标识出文本和用户兴趣的相关程度，从而为基于Ｉｎｔｅｒｎｅｔ的信息过滤、智能浏览等处理提供基础。

基于Kohonen自组织特征映射神经元网络图像分割方法的研究

传统图像分割技术对森林火灾图像分割效果不太理想 ,无法模仿人对颜色的主观判断 ,因此很难提取森林火灾图像的火焰区域 ,而Kohonen自组织特征映射神经元网络在这一方面表现出极大的灵活性和自适应性 ,能够模拟人的思维活动。本文利用Kohonen神经元网络自动对森林火灾图像分割和分类 ,获得卓有成效的效果 。

基于Kohonen自组织竞争网络的机床温度测点辨识研究

提出一种基于Kohonen神经网络的温度测点辨识优化算法,用机床进给系统上不同位置处的温度测点变化值及定位误差作为输入样本来训练神经网络。利用该网络的自组织竞争将胜出的结果输出到相应的分类模式中,根据各类分类模式中温度变量与热误差之间的相关系数,确定出机床热关键点。通过多元线性回归理论建立了热误差模型,与基于变量分组优化方法的热误差模型比较发现,该方法具有更好的可行性和有效性。

基于Kohonen网络的点群综合研究

基于Kohonen网络模型,对标准的SOM(self-organizing feature map)算法进行了改进,在保持点群原有空间分布特征的情况下研究点群的选取和典型化。实践表明,该方法适合任意空间分布类型的点群综合。

基于Kohonen网络的软件可靠性模型选择

软件可靠性模型是软件可靠性工程的一个重要方面。现在还没有一个通用的模型,模型选择问题已成为模型研究的重点。运用聚类思想对软件可靠性模型的选择进行研究。在对软件失效数据进行编码的基础上,采用Kohonen神经网络对其进行聚类分析,从而实现了可靠性模型的选择。最后通过仿真测试,证明了此方法的有效性和可行性。

Kohonen神经网络在雷达多目标分选中的应用

雷达多目标分选是电子侦察的重要内容之一,也是实施有效电子战的前提,神经网络在雷达多目标分选中的应用是电子侦察的一个新领域。目标的时域、频域、空域参数是多目标分选常用的分选参数。Kohonen神经网络具有自组织能力和识别聚类中心的能力,采用一维Kohonen神经网络对雷达信号进行分选试验,取得了很好的效果,并给出了确切的聚类中心值。

基于Kohonen网络和DEA交叉评价耕地利用效率聚类分析

利用统计年鉴中社会经济数据,选取DEA交叉模型对耕地利用效率进行评价,并引入Kohonen神经网络对评价结果进行聚类,分析了河南省耕地利用效率的空间分布特征。结果表明,DEA交叉效率评价模型可以避免出现伪有效决策单元,且效率评价值相对较低,说明评价结果客观、准确,避免了人为确定分类指标权重的主观性。投入水平对提高耕地利用效率有促进作用,而利用程度对耕地利用效率影响较小。河南省耕地利用效率较高且较为稳定的城市有南阳、商丘、濮阳、三门峡、许昌、新乡6个城市。聚类分析结果显示,河南省耕地利用效率的空间分布呈现明显区域差异,西北部黄河中下游平原地区耕地利用效率较高,而东部和南部地区则相对较低。

一种基于模糊Kohonen网络的飞行数据智能处理方法

为了充分利用飞行参数记录仪 (黑匣子 )记录的数据 ,对飞行质量进行评估 ,需要把数据按动作进行分段。以是否含有标准飞行动作为分段标准 ,设计了一种飞行数据的分段模型———模糊Kohonen网络。首先对每帧飞行数据进行特征检测 ,将根据专家经验模糊处理得到的隶属度矢量作为模糊Kohonen的输入 ,经过该网络决策 ,最终得到以时间划分的标准飞行动作数据段和非标准飞行动作数据段。经实际飞行数据检验 ,该方法准确、有效。

模糊Kohonen神经网络回热系统故障诊断

分析了汽轮机组回热系统12种典型故障及9种征兆参数的模糊处理,结合Kohonen神经网络的工作原理、诊断特征,提出了模糊Kohonen神经网络汽轮机组回热系统故障诊断模型。结果表明:该模型可以有效地进行回热系统故障样本模式的模糊量化处理,具有自学习功能、聚类能力强、运算速度快的优点,可以有效地对具有模糊性的单一故障和复合故障进行诊断,是一种适合于汽轮机组回热系统故障诊断的有效可行的方法。

基于Kohonen神经网络的图像超分辨率处理算法

提出一种小波变换、Bézier曲面插值和神经网络相结合的方法 ,并将该方法应用于图像处理中 ,对图像进行超分辨率处理 ,以提高图像质量 .首先将原图像作为低通部分 ,然后对小波分解后的相应高频子带进行 Bézier曲面插值 ,再对插值后的高频子带分别进行神经网络学习重建恢复各高频子带图像 ,以近似更高频的细节 ,最后通过小波逆变换获取比原图分辨率更高的图像 .模拟实验结果表明 :与小波插值方法相比 。

Kohonen网络与BP网络的集成应用研究

本文介绍了 Kohonen神经网络对输入数据进行聚类方法在卷烟配方中的应用 ,提出了从核心样本动态搜索 BP网络训练样本的新探索 ,摒弃了过去 BP算法中训练样本固定不变 ,互不相交的方法 ,实现了 BP网络和 Kohonen网络动态无缝集成。

基于Kohonen神经网络的中国土地资源综合分区

本文在综述我国土地资源综合分区研究进展的基础上,建立了土地资源综合分区的原则、依据和等级体系。在前人相关工作的基础上,采用自上而下的演绎途径,根据水热气候指标与地势差异划分出我国的11个土地资源区,即东北山地平原农林用地区、华北平原旱作农业与工矿建设用地区、黄土高原旱作农业与林牧用地区、四川盆地及秦岭山地农林用地区、长江中下游平原农渔与工矿建设用地区、江南丘陵山地农林用地区、云贵高原农林用地区、华南、滇南热带亚热带农林渔果与工矿建设用地区、内蒙古高原及长城沿线旱作农业与牧业用地区、西北内陆干旱荒漠与绿洲农牧用地区、青藏高原高寒荒漠与林牧用地区;在各土地资源区内部,采用自下而上归并的途径,依据区域土地资源利用结构与社会经济属性指标,以县为基本单元,应用Kohonen网络进行非监督分类,在全国续分出41个土地资源亚区。

基于模糊 c-线性簇聚类算法的 Kohonen 特征映射

提出了一种基于模糊ｃ－线性簇聚类算法的Ｋｏｈｏｎｅｎ特征映射算法．这种特征映射克服了Ｋｏｈｏｎｅｎ网存在的一些缺点．对某些识别问题，其计算效率非常高．

基于Kohonen神经网络的燃气轮机故障诊断

针对基于热力参数的燃气轮机8种典型常见故障,根据Kohonen神经网络诊断的工作原理、诊断特征,研究了基于Kohonen神经网络方法在燃气轮机故障诊断中的应用方法,得出了Kohonen模型具有自学习功能,运算速度快,类型识别能力强的优点,是一种适合于燃气轮机分类故障较好的具有特色的神经网络。

基于Kohonen神经网络的遥感影像监督分类

作为一种自组织网络,Kohonen神经网络在遥感影像聚类中得到了广泛的应用。但Kohonen算法具有初始权值随机化、学习率和邻域难以确定等缺陷,并且作为一种聚类算法,难以直接进行监督分类。对Kohonen非监督学习算法进行改进,用最大最小距离法确定初始权值,利用权值误差作为网络训练收敛条件,并将Kohonen算法与奖惩学习结合起来,进行遥感监督分类。最后,选取安徽省寿县附近区域作为实验区,利用环境一号卫星影像(HJ-1B/CCD)进行了分类实验,其总精度为89.48%,Kappa系数为0.87。实验结果表明,改进的Kohonen神经网络遥感监督分类算法,其分类精度优于经典的最大似然法,取得了较为理想的分类结果。