基于冲量权值的ART神经网络及其在地震预报中的应用

在传统的ART(AdaptiveResonanceTheory)网络结构中忽略了样本属性重要性的不同对分类结果产生的影响。然而实际应用中,需要在网络预测阶段对此予以重视。该文提出了基于冲量权值的ART网络IFWART(ImpulseForceWeightbasedAdaptiveResonanceTheory)。它引入冲量权值表示属性的重要性,通过进化算法的优胜劣汰机制优化冲量权值,并将量化的权值结果分配到网络的比较层中,从而提高网络预测精度。在UCI标准数据集上将IFWART与其他有监督ART网络进行了比较实验,验证了IFWART的有效性。最后,将其应用于地震强震时间序列预报中,取得了很好的效果。

基于小波变换和ART网络的手写数字识别

由于小波变换能有效地提取字符的结构特征,自适应共振(ART)网络有很好的学习能力。将二者结合起来,用小波变换抽取特征、用自适应共振ART网络作模式分类器来识别手写数字。实验证明该方法有很高的识别率,能够有效地进行手写数字的分类,可以满足实际应用。

基于Fuzzy-ART神经网络的红外弱小目标检测

针对现有背景抑制算法未能有效抑制背景而导致目标检测率低的问题,提出了一种基于模糊自适应共振理论(fuzzy adaptive resonance theory,Fuzzy-ART)神经网络的弱小目标检测算法。首先,采用Fuzzy-ART神经网络结合Robinson警戒环技术,建立自适应局部空间背景模型,并以此分析像素点的背景模糊隶属度来抑制背景杂波;然后依据目标与残留背景杂波的空间特征采用模板均差法来突显目标,并提出基于行列模糊聚类的自适应分割算法来提取候选目标;最后结合目标的运动连续性进行多帧轨迹关联从而检测出真实目标。理论分析与实验结果表明,该算法能随背景的局部情况来自适应调节空间背景模型,从而自适应抑制背景杂波、突显目标,能有效提高信噪比,检测出弱小目标。

小波包分解与Fuzzy ART神经网络在磨削振动监测中的应用

针对磨削加工的特点,通过小波包进行振动信号细化分解,提取各尺度能量作为特征量.利用无导师学习的Fuzzy ART神经网络进行振动异常的辨识,在发生未知模式振动异常时,网络将产生新的类报警.与传统监测方法相比,该方法能对已知和未知的振动异常进行辨识报警,在实际磨削过程监控应用中效果良好.

利用ART1网络进行故障诊断的方法研究

此文系统地阐述了自适应共振理论及 ART1神经网络模型的基本概念、特点、结构和算法。在对故障诊断进行理论分析的基础上 ,结合 ART1神经网络对输入的要求 ,提出了一种阈值法结合 ART1神经网络进行故障诊断的方法 ,并对此方法进行了理论分析和仿真实验。

一种基于ART-2神经网络的案例检索方法

检索是基于案例推理（CBR）系统中的关键技术,本文把ART神经网络与案例多级索引技术结合起来,提出一种两级ART网络结构模型,为大型案例库建立了案例分类及检索模型,实现案例动态聚类与从类型到具体案例的索引,增强了系统的自学习、自适应能力,大大提高了案例分类和检索的效率.

基于ART-并行BP神经网络的柴油机故障诊断研究

造成柴油机故障的因素十分复杂,既存在单一类的故障,也存在多故障并存的现象,而且还会出现新型故障,仅仅依靠单一神经网络技术的故障诊断已经很难满足对柴油机的有效诊断要求。本文在信息决策层融合的基础上,以自适应谐振理论ART和误差反向传播并行BP两种神经网络为基础,建立了用于柴油机故障诊断的新型神经网络模型,以对柴油机系统工作过程多种故障进行诊断识别。通过与单一神经网络诊断识别结果的分析和比较,验证了该神经网络诊断模型的可行性,它能够进行多传感器信息综合诊断,既能识别单故障和并发故障,又具有识别新型故障的能力,可有效地提高对柴油机故障诊断的准确性和可靠性。

基于多FART神经网络的彩色图像分割

提出了一种适用于彩色图像分割技术的多模糊自适应谐振(FART)神经网络结构。网络的输入为RGB色彩空间的彩色图像,并将其转换为HSV色彩空间的三组彩色分量-色调,亮度和饱和度,而后利用多FART神经网络的分类能力,将三组分量进行分类的图像输入到决策层,经过融合和分割处理后,最终得到正确的彩色分割图像。与彩色分水岭算法相比,采用上述图像分割算法得到了较好的分割效果。

基于特征加权的Category ART网络及应用

特征加权是特征选择的一般情况,它能更加细致地区分特征对结果影响的程度,往往能够获得比特征选择更好的或者至少相等的性能。该文采用自适应遗传算法来优化Category ART网络的特征权值,提出了一种改进的Category ART网络FWART。在UCI标准数据集上的实验表明,FWART网络获得了比Category ART网络更好的泛化能力。将该网络应用在地震震型预报上,取得了很好的预报效果。

一种区间型模糊ART神经网络

针对分类样本特征数据取值经常为区间值的情况 ,本文对Carpenter的点值模糊ART进行了改进 ,提出了一种区间型模糊ART网络 .文中阐述了区间型模糊ART网络中区间数的标准化方法、输入矢量相似度的计算方法、域值的检查方法和学习规则 .最后 ,对机械设计中的传动形式选择进行了实例验证 .

基于ART-2人工神经网络的煤矿安全风险评价

旨在为煤矿安全风险预控管理提供一种适用的风险评价模型或方法。研究过程中,介绍了人工神经网络自适应共振理论的ART-2算法;在安全系统工程理论及相关研究基础上,结合调研分析建立了风险评价指标体系;选取山西9家煤矿作为研究样本进行实证研究。该算法仿真识别结果与煤矿实际安全风险情况一致性程度达到77.78%,表明针对煤矿安全风险预控管理过程中的安全风险评价,ART-2神经网络具有较好的适用性。

Fuzzy ART及其在故障诊断中的应用

ＦｕｚｙＡＲＴ是近几年出现的一种新型ＡＲＴ（ａｄａｐｔｉｖｅｒｅｓｏｎａｎｃｅｔｈｅｏｒｙ）技术，文中介绍了该技术的实现方法，并用它对实测的不同工况的机器振动信号进行自组织聚类，收到了令人满意的效果．分析结果表明，采用这种无督学习的神经网络具有有督学习神经网络所无法替代的优势．

基于ART-2神经网络及不变矩特征的图像模式识别

将图像进行预处理并提取图像的特征,计算出图像的不变矩,利用ART-2神经网络完成了对图像的模式识别。通过实验证明ART-2神经网络具有较高的识别率,并很好地解决了神经网络在模式识别中面对识别对象出现新模式时,网络的可塑性与稳定性的矛盾。

基于ART神经网络的在线学习分析策略算法研究

本文在分析了大数据时代在线学习策略的必要性及其面临的挑战的前提下,设计了基于ART神经网络的在线学习分析策略算法,ART神经网络采用以认知和行为模式为基础的无指导的竞争学习算法实现矢量聚类,良好地维持了网络鲁棒性和可调节性的平衡关系,既能够非常灵活的适应新型输入模式产生的变化,同时又可以避免对网络已记忆模式进行篡改。基于ART神经网络模型的在线学习分析策略主要包括识别阶段、比较阶段、学习阶段以及搜索阶段。通过实验设定输入模式,完成在线学习过程进行测试验证。实验结果表明,本文提出的基于ART神经网络的在线学习分析策略算法能够实现对不同输入模式较高正确率的分类,同时可通过警戒参数对网络的分类粒度进行调节,使在线学习策略具有自适应性。

用模糊ART神经网设计自适应调色板

本文分别采用模糊ＡＲＴ神经网和模糊ＡＲＴ神经网的变体设计了自适应调色板．文中通过实验证明，模糊ＡＲＴ神经网设计灵活，且客观映射误差有比较明显地改善；同时，通过负模糊度概念的引入，构筑模糊ＡＲＴ神经网的一种变体：负模糊ＡＲＴ，进而从实验上证明了负模糊ＡＲＴ。

基于ART理论的自组织神经网络模型在水资源分类中的应用

BP和RBF神经网络技术以其强大的学习功能应用于水资源分类 ,取得了很好的效果。但当不具备已知样本时 ,以上技术很难应用。提出了可塑性较强、无监督的A -K网络模型 ,阐述了其基本原理和算法 ,并将其用于水文水资源研究领域中。实例表明 ,该方法能较理想地解决已知样本的分类问题 。

ART-2对滚动轴承振动信号幅值谱的清晰化提取与分类效果研究

滚动轴承振动信号的幅值谱往往在整个频带上都存在着均匀分布的噪声频率干扰,难以用一般的滤波方法去除,这对轴承实际振动频率成分的识别有很大的影响。通过对ART-2神经网络的分析,指出了在信号中的特征信息相对较强,而噪声相对较弱的情况下,利用ART-2可以对信号中的特征信息成分进行增强,并对噪声进行充分抑制。利用这一原理,实现了对轴承振动信号幅值谱的清晰化提取。对13个轴承振动信号幅值谱的处理实例表明,这种方法获得的模式中轴承实际振动频率成分被清晰地提取了出来,而均布噪声频率则被充分抑制。进一步研究了ART-2的警戒系数对幅值谱清晰化处理效果的影响,并对这种影响机理进行了解释。

应用于数据聚类的ART2改进算法研究

聚类分析是数据挖掘研究领域中一个非常重要的研究课题,是数据挖掘的主要任务之一.自适应谐振神经网络ART2是实现数据聚类的有效方法,通过对ART2结构的改进,充分考虑挖掘对象的幅度信息,可降低对警戒参数设置的要求并形成带有层次结构的聚类结果.通过实验验证了这种改进的有效性.

压滤机液压系统ART神经网络故障诊断

设计出压滤机液压系统并分析ART神经网络的工作原理,对液压系统故障点———压力点的确定与提取进行分析,再结合压滤机液压系统的故障信息,编制MATLAB程序,仿真出压滤机液压系统故障,建立其故障样本库。

改进ART Ⅱ算法的仿真研究

ART Ⅱ网络以模式的相似性量度值为基础,能够对动态的输入模式样本进行自适应的聚类和识别,然而标准的ART Ⅱ网络在输入数据处理过程中,忽略了样本数据中的负数信息和幅值信息,造成信号畸变和"同相位不可分"问题,在权值调整过程中,聚类中心发生移动,容易造成"模式漂移"现象。针对上述问题结合相关文献提出了引入非线性函数对输入数据进行变换的方法解决"同相位不可分"问题,用待测数据与同一模式类中有限数据的欧氏距离与限定值进行比较实现聚类判定,抑制"模式漂移"现象。用Matlab仿真表明,改进算法性能优于标准算法。