基于SOM3.4.2平台的iLoboke仿真足球机器人研究

2015年,iLobokeⅠ首次以标准化产品的形态推向市场,其搭载全局视觉、决策调度、无线通信和车载控制系统等先进技术,通过足球对抗的形式,实现高速动态下的多机器人协同。随着科技的不断进步,iLoboke足球机器人在2018年已经升级到第四代产品。这一代产品更加开放,支持更广泛的扩展编程,为用户提供更多的自由度和创造力。无论是足球领域还是其他领域,机器人的应用将逐渐渗透到人们的生活中,为我们创造更便利的生活和更广阔的发展空间。该文旨在利用SOM3.4.2平台,对iLoboke足球机器人控制进行研究,利用微粒算法规划移动路径,实现机器人在仿真环境中的足球运动,科学高效地预判传球。

鼻内镜下腺样体切除术对SOM患儿并发症的影响

目的探讨鼻内镜下腺样体切除术在分泌性中耳炎(SOM)患儿中的应用效果。方法选择2019年1月至2022年5月收治的SOM患儿94例,根据随机数表法将其分为参考组和观察组,每组47例。参考组采用鼓膜置管术治疗,观察组予以鼻内镜下腺样体切除术联合鼓膜置管术治疗治疗。观察2组听力水平[听性脑干反应(ABR)阀值、ABRI波潜伏期]、疗效、炎性反应[C-反应蛋白(CRR)、肺瘤坏死因子α(TNF-α)]、复发及并发症发生情况。结果2组术后12个月ABR阈值和ABR I波潜伏期水平均较本组术前低,差异有统计学意义(P<0.05),但2组间比较差异无统计学意义(P>0.05);观察组总有效率稍高于参考组,但2组差异无统计学意义(P>0.05);2组术后3 d的血清CRP、TNF-α水平均低于本组术前,且观察组较参考组低,差异有统计学意义(P<0.05);观察组术后12个月的病情复发率及术后12个月内的并发症发生率均明显较参考组低,差异有统计学意义(P<0.05)。结论鼻内镜下腺样体切除术联合鼓膜置管术治疗SOM患儿的疗效确切,能够减轻SOM患儿炎性反应,并可减少病情复发及并发症发生率。

茶树炭疽菌CfSOM1基因的鉴定与生物信息学分析

Som1是cAMP-PKA信号途径下游的一个转录因子,在病原真菌发育和致病过程中可能发挥重要作用。为探究茶树炭疽菌SOM1基因的潜在功能,通过生物信息学方法在茶树炭疽菌N425基因组中鉴定SOM1同源基因,并对其编码蛋白的亲缘关系、理化性质、功能域和互作蛋白等进行分析。结果显示:在茶树炭疽菌N425基因组中鉴定得到一个SOM1同源基因CfSOM1,其编码蛋白CfSom1共含839个氨基酸,包括1个HTH二级结构、1个LisH结构域和2个NLS序列;CfSom1与炭疽菌属中的同源蛋白亲缘关系最近,与酵母菌中同源蛋白的亲缘关系最远;CfSom1被预测与6个核孔蛋白、c AMP依赖蛋白激酶催化亚基CpkA、拓扑异构酶II关联蛋白Ldb1、含WD结构域蛋白Swd1、Uba ts-n结构域蛋白Swa2、转录因子StuA和Cdtf1存在互作关系。这些研究成果将为后续展开对CfSOM1在茶树炭疽菌侵染茶树过程中的功能研究奠定基础。

无限可能 斯洛伐克SOM设计师品牌集合店

在设计师品牌集合店SOMSTORE的室内设计中,“×”是一个与时尚有关的、贯穿整体的概念元素。它代表着很多可能性,概念店×本地时尚、内向×外向、本土化×国际化……SOMSTORE是一个概念店,展示了来自斯洛伐克和捷克时尚设计师的作品。内向型×外向型。SOMSTORE是一个涵盖各种品牌和设计师的多品牌店,其建筑解决方案是为了让每个时尚设计师都有自己独立的空间。在店内,设计师采用内向型和外向型主题,通过转动墙壁,客人穿行其中,空间将逐步展示每个设计师的系列。

基于mRMR-SOM的异步电机轴承故障诊断研究

针对异步电机轴承故障诊断问题,提出了一种融合最大相关最小冗余特征选择算法(mRMR)和自组织映射神经网络(SOM)的故障诊断方法,并将其应用于轴承故障诊断的不同阶段。首先,在实验室环境下搭建了异步电机故障诊断试验平台,在不同电机状态下分别采集振动、电流和电压信号,利用统计学方法获取了高维混合特征集;然后,以互信息为背景,利用mRMR根据特征与状态标签间的相关性和特征间的冗余性,筛选了具备强区分能力的特征,以避免计算冗余和后验诊断性能下降;最后,采用SOM对异步电机健康和轴承故障状态进行了分类识别,验证了SOM对异步电机轴承故障诊断的有效性,以及mRMR对故障诊断结果的影响。研究结果表明:基于mRMR-SOM的异步电机轴承故障诊断方法能够准确地区分健康和故障状态,测试集分类准确率达到89%;使用mRMR特征筛选能够将154维特征降低至17维,缩短23.5%的网络收敛时间,并将分类准确率由89%提升至98%;试验结果验证了基于mRMR-SOM的异步电机轴承故障诊断方法对于异步电机轴承故障诊断问题的有效性,且证实其具备良好的诊断效果。

基于特征子空间的SOM天基状态检测算法

在天基信息网中,资源监控系统采集到的性能指标数据量大、冗余特征较多,导致状态检测准确率低、检测时间长等问题。针对以上问题,提出了基于特征子空间的SOM状态检测算法。将特征提取算法嵌入到SOM神经网络模型中,使得网络在训练的同时提取每个类别对应的属性特征,构成状态对应的特征子空间。并利用状态的特征子空间计算特征对于类别的贡献度,优化SOM神经网络的目标函数,进而提高模型对卫星计算任务执行单元状态检测的速度与准确率。仿真了在不同状态检测模型下的检测准确率、检测灵敏度以及检测时间。结果表明,提出的状态检测模型在检测准确率、检测灵敏度以及检测时间等方面都具有较好的性能。

结合SOM和LSTM的道岔转辙设备健康状态评估及预测

针对道岔转辙设备故障频发,且工作人员无法准确评估及预测其健康状态的问题,进行结合SOM-LSTM混合神经网络的道岔转辙设备健康状态评估及预测方法研究。首先,依据道岔动作功率曲线特点分三段提取其时域特征参数,利用自组织映射神经网络(Self organizing map,SOM)中最小量化误差求解道岔转辙设备健康因子(Health index,HI);其次,运用长短时记忆神经网络(Long short term memory,LSTM)算法预测道岔转辙设备后续健康因子曲线;最后,利用现场采集数据,对算法的有效性进行验证。实验结果表明:SOM方法可有效追踪道岔转辙设备健康状态变化规律,实现对健康因子的快速准确计算;相较于误差反向传播神经网络(Back propagation,BP神经网络)和循环神经网络(Recurrent neural network,RNN神经网络),LSTM算法预测效果较好,准确度提升,对道岔转辙设备的健康管理具有一定的指导意义。

基于SOM神经网络的摩擦状态识别研究

为提取摩擦振动的特征和实现摩擦副摩擦状态的识别,在往复摩擦磨损试验机进行摩擦副混合摩擦和干摩擦状态的摩擦磨损试验。应用谱减法对试验采集的摩擦振动信号进行降噪,计算降噪后的摩擦振动15个特征参数。应用自组织映射(Self-organizing map, SOM)神经网络对摩擦副不同摩擦状态的摩擦振动特征参数进行分析,得到摩擦振动的SOM神经网络神经元分类。研究结果表明,谱减法能消除摩擦磨损试验机的背景噪声,SOM神经网络算法能够有效分析摩擦振动信号的特征,实现摩擦副摩擦状态的识别。

一种新的基于SOM的数据可视化算法

SOM(self-organizing map)所具有的拓扑保持特性使之可用来对高维数据进行低维展现,但由于数据间的距离信息在映射到低维空间中固定有序的神经元上时被丢掉了,因此数据的结构通常是被扭曲了的.为了更自然地展现数据的结构,提出了一种新的基于SOM的数据可视化算法——DPSOM(distance-preserving SOM),它能够按照相应的距离信息对神经元的位置进行自适应调节,从而实现了对数据间距离信息的直观展现.特别地,该算法还能自动避免神经元的过度收缩问题,从而极大地提高了算法的可控性和数据可视化的质量.

耦合SOM-MCR模型的多特征生态安全格局构建——以武汉城市圈为例

面向“绿色城市圈”发展理念,构建武汉城市圈生态安全格局是实现区域经济、社会和生态协同发展的重要途径。传统研究采用的多指标叠加分析丢失了各因子蕴含的原始信息,仅可以识别同质化生态源地。将自组织映射神经网络模型(SOM)融入“重要性-敏感性-连通性”框架,依据生态系统服务组合划分生态功能区→识别多类型生态源地;综合自然因素与人类影响修正生态阻力面,并应用最小累积阻力模型(MCR)构建多特征生态安全格局。主要结论如下:武汉城市圈存在两类典型“高重要-低敏感—高连通”的生态源地,包括9756km^(2)的粮食供给区(孝感市、天门市、潜江市和仙桃市)和6791km^(2)的固碳释氧区(黄冈市东北和咸宁市东南),应作为生态安全核心区;低连通粮产源地分布于武汉市近郊与鄂州市,低连通碳汇源地分布在黄石市东南,宜作为生态保护功能区;共识别39条生态廊道,按照两端源地属性可划分为粮产连通轴、碳汇连通轴和跨类连通轴;综合构建了“一环、三翼、多联通”的武汉城市圈多特征生态安全格局。该格局有机融入了生态功能区划理念,有助于城市圈“因地制宜”采取相应的保护与修复策略。

采用SOM算法的软体机械臂三维形状实时感知

为实现软体机械臂精确的三维形状实时估计,奠定变形控制与应用的基础性工作,针对三段式软体机械臂,提出了一种基于自组织映射(Self-organizing map,SOM)算法的三维空间形状实时感知方法。首先,对ZED双目相机捕捉到的左、右图像帧进行图像预处理,得到左、右二值图像,并实时提取软体机械臂的二维轮廓数据。然后,采用SOM算法对轮廓数据进行聚类,有序得到软体机械臂二维中心线的多个骨干点,并与K均值,高斯混合模型以及细化3种中心线提取算法进行了对比研究,进一步表明SOM算法更适用于解决软体机械臂复杂形状的中心线辨识。最后,通过基于双目视差的三角测距模型完成软体机械臂的三维形状重构。该算法还采用数据降采样、SOM参数优化等方法,提高算法框架的实时性能。针对软体机械臂连续形变过程,进行了实时形状传感实验和对比验证实验。实验结果表明,该算法具有较高的形状感知精度和较好的实时跟踪效果。不仅如此,与其他文献中提出的形状检测算法相比,该算法也具有较好的性能。

基于SOM神经网络的蓄电池SOH快速检测研究

介绍了一种通过机器学习快速分离同组不健康电池及预测未知蓄电池健康度SOH的方法。IEC60896-22-2004和GB/T19638.2-2005标准规定了铅酸蓄电池的容量标准及检测方法。标准的容量测试方法需要使用C_(10)的电流恒流放电10个小时,试验方法在实际中难以应用于数量庞大的在用蓄电池组。研究一种基于机器学习的替代方法,对蓄电池组均衡电压后进行快速5分钟大电流充电和5分钟大电流放电,提取充放电的特征,通过SOM神经网络将每个蓄电池特征映射到二维平面,然后通过聚类分析分离不同容量性能的电池。更进一步,通过多次机器学习和按照标准方法获取真实容量,建立监督学习的训练集,利用SOM神经网络聚类中心距离或者时序相似性搜索算法用于快速评估未知电池样本的容量,准确率达96%。

基于遗传算法与SOM网络的轴承故障诊断方法

轴承作为旋转机械的核心部件,开展其有关故障诊断方面的研究,有利于对旋转机械运行状态进行监测。针对旋转机械轴承故障的微弱信号容易淹没在其它部件的振动信号中,采用特征提取法,从滚动轴承正常、内环故障、外环故障和滚动体故障四种工况的振动信号中提取时频域统计特征参数;并引入遗传算法消除时频域统计特征间的耦合性与共线性,提取9个时频域最优特征参数作为SOM网络的输入。研究结果表明:不同故障类型下,激活的SOM神经元不呈现明显性的差异性;根据文中神经元激活统计规则,表明SOM具有一定的故障辨识性,且对规则进行调整能够提升SOM网络的诊断效果。

基于核KMeans和SOM神经网络算法的海况聚类分析

为了更加高质量地利用海况数据,避免由复杂因素导致的对海况误判问题,基于KMeans、核技巧、自组织映射(Self-organizing Mapping, SOM)神经网络构建了自组织映射混合核KMeans(SOM-Gaussian and Polynomial Kernel-KMeans, SGPK-KMeans)算法.克服了KMeans对复杂数据聚类效果不佳、核KMeans需要指定聚类数目和对初始聚类中心敏感的问题.通过海况数据聚类实验,将SGPK-KMeans算法的聚类效果与经典KMeans、单核KMeans和SOM神经网络算法进行对比分析.结果表明SGPK-KMeans对于海况数据聚类具有更加稳定的效果且能更加准确的识别出数据中的异常值.

基于SOM神经网络的宜城市森林健康评价

森林健康是生态文明建设中不可或缺的一环。本文基于2022年宜城市森林调查数据,通过主成分分析法排除冗余因子,确定健康评价指标,并运用SOM神经网络模型进行聚类分析,对宜城市森林健康状况进行评价。结果表明:(1)总的来看,宜城市森林优质健康等级最少,占比12.86%,健康等级占比17.14%,亚健康等级占比21.43%,不健康等级最多,占比31.43%,极不健康等级占比17.14%;(2)宜城市森林以幼龄林与中龄林为主,龄组结构较为不合理,中龄林健康状况整体略优于幼龄林;(3)以郁闭度划分,低郁闭度森林健康状况优于高郁闭度森林;(4)以起源划分,人工林健康状况优于天然林。

基于EEMD和SOM的轴承故障诊断

EMD算法所存在的端点效应及模态混叠问题会导致故障轴承特征值提取时精度不高等问题。为提高故障诊断系统的准确性,文中选用一种基于EMD的改进算法EEMD,通过提取时域特征参数,衡量故障诊断程度,判断故障类型。运用SOM神经网络进行诊断识别。文中在进行实际实验分析的基础上,总结了实验平台的框架、典型的故障轴承类型,分析了选用的特征参数对故障诊断的不同判别方向,并提出基于集合经验模态与SOM神经网络的轴承故障诊断方法。

基于SOM神经网络的秦岭北麓保护区域村庄分类与发展策略

保护秦岭生态环境是推进生态文明、维护生态安全、促进秦岭范围内人与自然和谐共生的重大举措。协调秦岭北麓区域内生态保护与镇村发展间的矛盾,是未来秦岭生态环境保护工作的重中之重。为了合理制定秦岭生态保护与区域内村镇建设规划方案,构建考虑生态保护区特点及乡村自身属性特征村庄的多维度乡村分类评价指标体系,引入SOM神经网络方法建立了适用于秦岭北麓区域生态特点的乡村分类模型与指标体系,基于区域内475个村庄的调查数据识别乡村类型,提出了针对不同乡村特征的发展策略。研究表明:经过充分训练的SOM神经网络分类模型可以有效识别不同村庄的相同特征值属性,村庄类型识别精度较高,该模型具有良好的适用性和科学性,为乡村政策制定和优化提供了支撑。

基于SOM-Kmeans算法的司机驾驶风格研究

本文以车辆历史运行物理参数为研究对象,使用SOM-Kmeans聚类模型识别出司机的驾驶风格,为发动机经济优化提供实际指导意义。首先基于K-means聚类优先识别出了九种行驶工况,从中选取加速行为对应的三类标签以驾驶循环为单位做特征统计;随后利用因子分析对数据降维,并通过SOM-Kmeans模型进行聚类,得到温和型、普通型和激进型三种类别的驾驶风格。

基于SOM-BP神经网络的船舶柴油机故障诊断方法

作为船舶系统重要的组成部分,柴油机工作状态与船舶安全航行息息相关。因此,对船舶柴油机故障诊断方法的研究具有重要的现实意义。以SOM神经网络和BP神经网络为理论基础,将二者融合构建SOM-BP神经网络,用于船舶柴油机故障诊断。通过仿真试验,验证了SOM-BP神经网络在船舶柴油机故障诊断中的有效性。

基于RSOM树模型的机器学习原理与算法研究

机器学习和识别可归结于一个高速、有效地搜索非常大的样本空间问题,以实现对训练和识别样本的最佳拟合.对于复杂背景的模式样本集,同类型样本的独立同分布(i.i.d)特性通常难以保证,统计理论无法有效应用.本文将层次化思想和自组织映射(SOM)神经网络相结合,采用递归实现技术实现了一种高效、高容量,能够自适应增长的模式分类树(RSOM树)生长方法,用于模式识别和机器学习的基本建模.通过对大量公用数据集的测试以及在实际的雷达目标识别系统中应用,方法有效性得到了证明.