ART-2神经网络的研究与改进

ART-2神经网络可以很好地应用于模式识别中的聚类问题,但是由于其算法结构中固有的归一化环节,在处理数据过程中丢失了非常重要的幅度信息。在分析这一不足的基础上,提出两种改进算法,同时给出了相应的实验结果。

ART-2神经网络的改进及建模实现

指出了传统的ART-2神经网络对渐变过程不敏感的局限性,提出了一种新的改进算法。并对ART-2网络进行建模,通过与其它建模方法的对比,详尽讨论了ART-2的建模方法及特点。最后通过应用改进算法解决了原先模型中的“模式漂移”现象,使模型性能得到了明显的改善。

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。

新型ART-2A算法及其在BIT故障诊断中的应用

在故障诊断过程中由于样本获取困难 ,无监督分类方法日益得到重视。自适应共振理论 (ART)是一种典型的、无监督的、能够对复杂输入模式实现自组织识别的神经网络。作者发现标准 ART- 2算法存在预处理信号畸变问题、同相位不可分问题 ,由此提出了新的 F1 层非线性变换函数、F2 层竞争学习算法和输入预处理方法。该新型ART- 2 / 2 A算法的输入域由原来的非负实数域扩大到整个实数域 ,并且能够正确区分标准 ART- 2 / 2 A算法不可区分的同相位数据。本文以大型船舶动力装置 BIT系统运行状态中的故障模式为对象进行实验验证 ,结果表明新型ART- 2 / 2 A算法能自适应地对 BIT系统未知故障模式进行分类识别 ,分类准确。

基于改进ART-2网络和不变矩的高压瓷瓶裂缝识别

为了保证高压输电线路的正常运行,可以通过高压输电线路巡检机器人视觉系统完成高压输电线路的检测。本文通过CCD摄像头等硬件模拟机器人的视觉,完成对绝缘瓷瓶裂缝图像的采集。对图像经过滤波去噪、图像分割等预处理操作后,利用形状特征和灰度差异完成图像中裂缝的定位。对于聚焦放大后的裂缝图像提取不变矩等四个特征值,得出图像信息。最后利用改进的ART-2神经网路,实现对绝缘瓷瓶裂缝五种状态:横向、纵向、块状、网状、无裂缝的分类识别。通过仿真和实验表明该算法可以有效、可靠地运用于绝缘瓷瓶裂缝类型识别研究中,并可方便地应用于其它领域。

ART-2A的同相位不可分问题及其解决方法

自适应共振理论 (ART)是一种典型的、无监督的、能够对复杂输入模式实现自组织识别的神经网络。本文经分析发现标准 ART- 2 A算法中存在“同相位不可分问题”,由此提出新的 F1层非线性变换函数和 F2 层竞争学习算法 ,把 ART- 2 A算法的适用范围扩展到整个实数域 ,然后提出了相应的线性变换处理方法把“同相位不可分问题”转化为“整个坐标平面内的相位划分问题”,从而很好地解决上述问题 ,增强了 ART- 2 A算法的适用性。验证算例的结果表明 ,新型 ART- 2 A算法能够对更为广泛的数据模式进行自适应识别 。

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.

用于模式识别的ART-2神经网络算法的改进

针对模式识别中模式有序输出的要求 ,对ART 2神经网络的算法进行了改进和调整 ,提出了ART 2神经网络的改进算法 .通过对改进算法与原算法的识别试验结果进行比较 。

用改进的ART-2网络建立移动机器人环境模型的研究

本文应用自适应共振理论中ART 2神经网络进行移动机器人环境障碍模式识别 .ART 2神经网络在处理单方向渐变的模式输入时具有模式漂移的特点 ,机器人在静态环境中运动依赖这种特点 ,但在动态环境中模式漂移的特点却会对机器人的安全造成威胁 .为此 ,设计了一种改进的ART 2神经网络 ,使得移动机器人同时适应在静态和动态环境中安全运动 .

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。

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。

ART-2网络在超声检测信号分析中的应用

本文以焊缝超声检测常见的缺陷(夹渣、气孔、未焊透、未熔合)为对象,选取缺陷时域波形的上升时间、波宽、上升角度和频域特征的波动次数、底宽等特征值组成特征矢量作为ART-2的输入,来实现缺陷性质的识别,并与射线检测结果对比。实验结果表明：采用该方法得到的正确识别率达到81．5％,具有良好的应用前景。

基于ART-2神经网络的设计知识需求研究

通过分析产品设计知识获取和知识共享研究中存在的问题,结合本体理论的运用,构建了产品设计中的概念语义,并利用OWL+RDF+XML形式化语言给出了案例知识的表达,在研究ART-2神经网络竞争学习和自稳机制的基础上,设计了案例的多级组织,实现了基于案例推理(CBR)的检索机制,提升了案例分类和检索的效率。同时,利用案例的聚类和学习机制,研究特征权值的自动获取和优化,并通过应用实验验证了该研究成果的实用性和有效性,从而较好地解决了产品设计中的知识需求。

一种基于ART-2改进后的网格入侵检测模型

应用神经网络中的ART-2理论(adaptive resonance theory自适应共振理论),在传统ART-2模型的基础上增加了伴随神经元和重置系统B,解决入侵检测系统中可能出现的对渐变过程不敏感从而导致的预分类不完全的问题,通过与基于传统ART-2的入侵检测模型及基于朴素贝叶斯的入侵检测模型的对比,发现改进后的ART-2神经网络打破了传统ART-2对渐变过程不敏感的局限性,使得新模型能够分辨渐变过程,提高了预分类的能力。

ART-2神经网络在机器人视觉特征识别中的应用

介绍了一种采用ART-2型神经网络技术对图像进行识别的方法,并进行了一系列实验.实验结果表明,基于神经网络的识别模型是一种比较理想的图像识别模型,基于ART-2神经网络的视觉系统能够很好的识别物体形状,具有良好的应用前景.

基于ART-2网络的自行火炮变速箱状态自适应分类

对于结构复杂的自行火炮变速箱,其故障模式具有不可预知性。针对传统的神经网络识别方法明显存在不足这一问题,提出一种基于自适应谐振理论(Adaptive Resonance Theory)的自行火炮变速箱瞬态过程故障诊断新方法。该方法不仅可以对已知的故障模式进行分类,而且对自行火炮变速箱未知故障模式具有很强的自适应分辨能力。实例证明,ART-2神经网络与传统的神经网络方法相结合为自行火炮变速箱故障诊断提出了新思路。

ART-2与CMAC网络的性能对比研究

在分别介绍ART-2及CMAC的网络结构和算法的基础上,分析了两种网络在结构以及性能上的相同点和不同点。并采用各自网络进行了建模的应用,其中根据ART-2的特点在其顶部增加了一层额外的输出层.最后根据各自网络对同一非线性电机速度控制系统的建模结果,对ART-2及CMAC网络的特性及适用范围进行了较深入的讨论。

基于模糊 ART-2 的神经网络火灾探测系统

提出将ＡＲＴ－２神经网络与模糊系统串联而成的模糊ＡＲＴ－２神经网络系统并用于火灾探测，使其对火灾信号具有很好的聚类特性．实验结果表明，该系统比ＢＰ神经网络火灾探测系统具有更强的适应环境的能力，能够更快、更准确地探测各种标准试验火并具有很强的抗干扰能力．

ART-2神经网络的缺点及其改进

自适应共振理论(ART)是一种典型的自组织识别的神经网络。本文通过分析,指出传统ART-2神经网络在分类时没有用到小幅值特征分量的局限性,提出了一种改进的网络结构。在理论上,分析指出了改进的网络结构在分类时比标准ART-2网络的优越性。最后通过仿真验证了改进的网络结构对分类效果有了很好的改善。

一种传统的ART-2神经网络的结构改进实现

ART-2是一种自组织、无监督的人工神经网络,源于对连续数据进行分类的一种自适应共振理论。但是,我们发现传统ART-2对数据特别是时间序列数据分类时只适合大幅度的信号。因此,我们在理论上提出了一种比传统的ART-2网络有更多优越点的改进型结构。