基于主成分分析和学习向量量化神经网络的制动工况路面识别与验证

开展车辆制动时路面类型识别的研究,提出一种基于主成分分析-学习向量量化神经网络(Principal Component Analysis—Learning Vector Quantization,PCA-LVQ)的制动工况路面识别方法。利用主成分分析对多维度驾驶数据降维处理,提取能表征路面特征的主要成分,采用学习向量量化神经网络对降维处理后的驾驶数据进行训练,并用于路面特征分类,使用制动工况下实车试验数据和硬件在环仿真数据进行验证。结果表明,所提出的PCA-LVQ算法能准确识别路面类型特征,路面识别的精度达到97%,与传统BP神经网络的路面类型特征识别精度提升7%;同时,在不同车速下,基于PCA-LVQ算法也能较准确地识别路面类型特征。

基于学习向量量化LVQ神经网络的财务危机预警研究

应用学习向量量化LVQ神经网络方法,以近期14个数据作为财务危机预警建模样本和测试样本,建立了财务危机的预警模型,经过对样本的反复训练和学习,得到了较好的预测结果。研究结果表明:LVQ神经网络是一种非线性映射模式,在指标间相关度较高、呈非线性变化,或数据缺漏不全等情况下仍可得到比较满意的结果,因此是一种比较理想的预测方法,具有广泛的适用性和较高的推广价值。

一种基于学习向量量化神经网络的图象分割方法

基于视觉传感器实现道路信息的理解是目前移动机器人自主导航的重要研究方向,其中道路图象的正确分割是提取有效路径信息的关键。该文针对复杂、干扰因素多的室外环境下传统方法难以实现道路图象正确分割的问题,提出了一种基于LV Q神经网络的道路图象分割方法。该方法通过选取道路图象的归一化色彩分量为特征向量,应用基于LV Q学习算法的神经网络分类器进行道路与非道路识别;为解决环境噪声对神经网络输出的影响,本文设计了串行级联式四阶形态滤波器实现对神经网络输出的分割图象的滤波处理。通过对实测图象进行分割处理验证了该方法的有效性和鲁棒性,可用于室外环境下机器人的实时视觉导航控制。

基于学习向量量化神经网络的软件可靠性预测

针对传统的软件可靠性预测模型在实际应用中存在预测泛化性能不佳等问题,提出一种基于学习向量量化(LVQ)神经网络的软件可靠性预测模型。首先分析了LVQ神经网络的结构特点以及它与软件可靠性预测的联系,然后运用该网络来进行软件可靠性的预测,并基于美国国家航空航天局(NASA)软件数据项目中的实例数据集,运用Matlab工具进行了仿真实验。通过与传统预测方法的对比,证明该方法具有可行性和较高的预测泛化性能。

学习向量量化神经网络用于胃癌组织样品分类识别的研究

将lvq神经网络(Learn ing Vector Quantization Neural Networks)用于胃癌组织样品的分类识别,根据胃癌组织及相应正常组织的FTIR光谱的主要特征吸收峰值(包括vas(CH3)、vs(CH2)、δ(CH2)、v(C-O)、vs(PO2-)、vas(PO2-)和vs(核酸,细胞蛋白及膜脂))全部或部分作为网络输入向量,对未知的胃组织样品进行分类识别,结果显示:i)以上述全部七个谱峰为输入向量时,网络经训练学习后,其平均识别正确率最高(达89.3%),表明该网络对胃癌组织样品的分类识别是满意的,完全可作为临床医学的辅助诊断手段;ii)总体上,当作为输入向量的FTIR特征谱峰越多时,则网络的平均分类识别正确率越高;iii)作为输入的FTIR特征谱峰不同时,则网络的平均分类识别正确率也不同。

基于提升小波和学习向量量化神经网络的小麦病害图像识别

通过研究小麦叶部病害的症状特点及图像特点,应用K_means硬聚类算法对小麦叶部病害图像进行彩色图像分割,得到二值化分割和彩色分割,利用多重分形分析从二值化分割图像中提取病害形状特征参数,分别利用提升小波变换和脉冲耦合神经网络从彩色分割图像中提取颜色特征参数和纹理特征参数。根据提取的组合特征参数,利用学习向量量化神经网络进行小麦病害分类识别。结果表明,该算法对小麦病害的识别率可达到95%以上。

基于双分辨率S变换和学习向量量化神经网络的电能质量扰动检测方法

随着实际电网中非线性负荷以及冲击性负荷的不断增加,电能质量问题日趋严重。实现电能质量扰动信号的准确、快速检测对于查找电能质量问题根源、改善电能质量、确保电网安全、保障经济稳定具有重大意义。为此,提出一种基于双分辨率S变换和学习向量量化(LVQ)神经网络的电能质量扰动信号检测方法。算法先采用双分辨率S变换实现扰动信号特征向量的准确、快速提取。在获得扰动信号的特征向量后对各特征向量进行归一化处理并利用经过训练的LVQ神经网络对扰动信号进行分类识别。仿真和实际测试结果表明,该文提出的基于双分辨率S变换和LVQ神经网络的电能质量扰动检测算法具有训练速度快、分类准确率高、适合嵌入式实现等优点。

基于学习向量量化神经网络的人脸朝向识别方法

针对传统人脸朝向识别算法中识别准确率较低的缺点,本文采用基于学习向量量化神经网络的识别方法,通过提取人脸图像中眼睛位置的特征向量并对朝向不同的人脸图像样本进行学习训练,优化了学习向量量化神经网络各层间的权值参数,取得了较高准确度的识别效果;仿真结果表明,采用学习向量量化神经网络的识别方法对人脸朝向进行识别可行有效,正确识别率可以达到95%以上,识别率与抗干扰性明显优于误差反传神经网络法。

基于模糊C均值聚类及学习向量量化神经网络的负荷同时系数预测模型

针对变压器及电缆容量确定问题,该文以负荷同时系数(LSF)预测为目标,建立考虑社会发展水平、人口构成、负荷类型的LSF影响因素指标体系。应用模糊C均值聚类对台区负荷的用电类型进行划分,基于学习向量量化(LVQ)神经网络建立LSF预测模型。该预测模型具有自动确定LSF影响因素权重、针对不同类型综合负荷预测的选择性强、便于依据实测数据更新模型参数的特点。LSF预测精度提高,为配变定容提供了有利依据。应用京津唐地区实际负荷验证了该文LSF预测方法的有效性。

学习向量量化神经网络在模式分类中的应用

文章简要介绍了学习向量量化(LVQ)神经网络的网络结构和学习算法,详细讨论了基于Matlab6.5的学习向量量化神经网络设计过程。在此基础上设计了一个神经网络,通过计算机仿真得到一组实验数据。从仿真结果分析,这种设计方法可靠易行,验证了LVQ神经网络在模式识别中具有较强的分类能力。

用学习矢量量化(LVQ)神经网络进行教师评估

针对教师评估中考评指标过多、评价工作复杂化问题,提出了一种基于LVQ神经网络的教师评估方法。利用Matlab神经网络工具箱进行仿真实验,结果表明,该网络具有结构简单,学习速度快、分类稳定的特点,用LVQ神经网络进行教师评估是可行而有效的。

结合概率型神经网络(PNN)和学习矢量量化(LVQ)算法的文本分类方法

针对文本自动分类问题,提出一种基于概率型神经网络(PNN)和学习矢量量化(LVQ)相结合的文本分类算法,该方法借助TFIDF方法提取文本特征及特征值,形成文本分类特征向量,利用概率型神经网络构建分类模型,并利用LVQ学习算法对神经网络模型竞争层网络进行学习,使相应模式向量相互靠拢,远离其他模式,从而实现文本分类.实验结果表明,提出的该方法在文本分类中表现了很好的效果,不仅具有很好的分类准确率,还表现出很好的学习效率.

基于学习向量量化网络的指定颜色物体的识别

为解决计算机视觉中已知颜色属性的物体的识别问题,文章提出了一种基于HSV模型,以H、V参数特征值作为特征向量,应用基于LVQ学习算法的神经网络分类器进行颜色识别的的方法,很好地解决了指定颜色物体的识别问题。通过实验,对指定颜色的目标物体的识别效果比较理想,表明该算法是确实可行的。

学习向量量化(LVQ)在地震和爆破识别中的应用

介绍了竞争神经网络和学习向量量化 (L VQ)算法。此算法应用于对北京及周围地区地震和爆破的识别中 ,在对 3 8个事件的应用中 ,得到的结果是 ,误识为 3个 ,结果较好 。

一种基于LVQ神经网络与图像处理的火焰识别算法

针对传统火灾探测技术存在的不稳定、误判率高等缺点,通过分析室内火灾图像与常见干扰光源图像的特点,提出一种基于人工神经网络的火焰图像检测技术。对火焰图像的基本特性进行分析,利用火焰图像序列的面积重叠率和中心相对移动率以及颜色等信息,结合实现学习向量量化(LVQ)神经网络融合技术,对视频序列图像中火焰的自动检测。仿真试验结果表明,基于LVQ神经网络的信息融合算法的网络收敛速度较快,有较高的火灾火焰识别准确率。

广义LVQ神经网络的性能分析及其改进

首先从理论上分析了广义学习矢量量化（ＧＬＶＱ）网络的ＧＬＶＱＦ算法的性能，ＧＬＶＱＦ算法在一定程度上克服了ＧＬＶＱ 算法存在的问题．然而，它对获胜表现型的学习具有好的性能，对于其它的表现型，性能却十分不稳定．分析了产生这个问题的原因，直接从表现型的学习率出发，提出了选取学习率的准则，并给出了两种改进的算法．最后，使用ＩＲＩＳ数据验证了算法的性能，改进算法较之ＧＬＶＱＦ算法具有明显的稳定性和有效性．

基于MA及LVQ神经网络的智能NIPS模型与实现

为了提高入侵防御系统的智能性和准确率,在讨论入侵防御技术特性和关键技术的基础上,分析了利用MA(MobileAgent)及LVQ(Learning Vector Quantization)神经网络构建入侵防御系统的优势,以及LVQ神经网络的结构特性和学习算法,提出基于MA及LVQ神经网络的新智能入侵防御系统模型结构,概述了新模型的实现方法,并用Matlab算法进行了仿真实验.结果表明,基于MA及LVQ神经网络的新智能入侵防御系统模型整体防御准确率与检测辨识性能都有较大提高.

基于LVQ神经网络的交通拥堵预测研究

面对大量的交通参数数据,如何快速建立高效的分类预测模型以尽快地对拥堵状态进行判别是一个重要的问题。本文利用检测器提供的车速、流量和占有率等相关参数信息,提出了基于学习向量量化(LVQ)神经网络的交通拥堵预测模型。通过使用Matlab7.3数学软件的神经网络工具箱对该神经网络不断地训练,最终可以对道路正常状态和拥堵状态进行分类,通过交通流参数数据的输入预测出路段交通拥堵状况。最后,给出算例进行网络训练和测试,训练结果表明,运用该算法进行交通拥堵预测取得了良好的效果,具有一定的现实意义。

LVQ神经网络在滚动轴承故障诊断中的应用研究

滚动轴承多部位多类别故障诊断属于大规模或者较复杂分类问题,利用智能方法诊断时需要设计结构合理的神经网络才能实现高精度诊断。因此,笔者对基于学习向量量化(LVQ)神经网络的滚动轴承多故障诊断进行了研究。首先通过模拟故障实验采集到滚动轴承不同部位和类型的10种故障振动信号。然后选择db16母小波对实验所采集的数据信号进行三层小波变换,并提取第三层小波8个节点信号的能量特征。最后将能量特征组成LVQ神经网络的输入特征向量进行网络训练与检测,以实现滚动轴承的故障定位和模式识别。实验结果证明,所提出的诊断方法避免了故障定位和故障类型的分别诊断,能够在网络训练后同时较精确地实现滚动轴承10种故障的定位与模式识别。

基于MEA-LVQ神经网络的GIS特高频局部放电识别研究

针对学习向量量化(learning vector quantization,LVQ)神经网络在气体绝缘全封闭组合电器GIS特高频局部放电识别过程中存在初始权值敏感、竞争层未被充分利用的问题,提出了利用思维进化算法(mind evolutionary algorithm,MEA)优化LVQ神经网络的GIS特高频局部放电识别模型。该模型采用K交叉验证来确定LVQ网络竞争层中最佳神经元数目,并在此基础上利用思维进化算法寻找LVQ网络的最优初始权值,构建最佳的局部放电识别网络模型。对比该模型和BP网络、LVQ网络以及K交叉验证LVQ网络的放电识别准确率,结果表明:MEA优化的LVQ神经网络具有更高的识别精度。文中的研究对于提高局部放电识别准确率具有一定的价值。