修正的广义学习向量量化算法

讨论了Pal等的广义学习量化算法（GLVQ）和Karayiannis等的模糊学习量化算法（FGLVQ）的优缺点，提出了修正广义学习量化(RGLVQ)算法。该算法的迭代系数有很好的上下界，解决了GLVQ的“Scale”问题，又不像FGLVQ算法对初始学习率敏感。用IRIS数据集对算法进行了测试，并应用所给算法进行了用于图像压缩的量化码书设计。该文算法与FGLVQ类算法性能相当，但少了大量浮点除法，实验过程表明节约训练时间约10%。

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 。

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。

模糊广义学习向量量化算法在交通事故预测方面的应用

模糊逻辑系统易于理解,而神经网络则有极强的自适应能力。本文将模糊数学方法和神经网络结合起来建立组合模型,用广义模糊神经网络(FGNN)预测道路交通事故。运用MATLAB语言编程,利用模糊广义学习向量量化算法(FGLVQ)建立模糊神经网络模型,并应用于交通事故预测中,改进了交通事故预测的计算方法。理论分析和实例表明,设计的模糊神经网络模型具有良好的非线性映射功能和泛化功能,对预测交通事故有较好的适应性。

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.

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。

局部广义矩阵学习向量量化在多联机系统阀类故障诊断中的应用

多联机(VRF)系统结构复杂,采用传统方法难以识别设备故障,本文首次将特征选取和多目标进化算法优化框架集成于局部广义矩阵学习向量量化(LGMLVQ)故障诊断模型中,并应用于多联机系统的电子膨胀阀和四通阀故障诊断研究。运行数据来自多联机系统实验平台。实验结果表明,特征选择后的模型对多联机阀类故障的诊断准确率从91.40%提升到95.73%,而进化算法进一步将准确率提升至99.50%,耗时从14.109 s缩短为11.724 s。分析最优模型的正常数据自适应相关性矩阵可以对故障发生部位进行模糊定位,可以对实际故障维修提供一定的帮助。

结合遗传算法的LVQ神经网络在声学底质分类中的应用

学习向量量化(Learning Vector Quantization,LVQ)神经网络在声学底质分类中具有广泛应用.常用的LVQ神经网络存在神经元未被充分利用以及算法对初值敏感的问题,影响底质分类精度.本文提出采用遗传算法(Genetic Algorithms,GA)优化神经网络的初始值,将GA与LVQ神经网络结合起来,迅速得到最佳的神经网络初始权值向量,实现对海底基岩、砾石、砂、细砂以及泥等底质类型的快速、准确识别.将其应用于青岛胶州湾海区底质分类识别研究中,通过与标准的LVQ神经网络的分类结果进行比较表明,该方法在分类速度以及精度上都有了较大提高.

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。

基于局部化原理和概率模型的LVQ改进算法

利用局部化原理和概率模型的优化方法 ,提出一种LVQ改进算法———基于局部化原理和概率模型的LVQ算法 (LocalizationprincipleandProbabilitybasedLVQ ,LoPLVQ) .与传统LVQ算法相比 ,不仅缩短训练时间 ,而且具有较高的识别率 .实验结果表明改进算法可用来解决大规模的模式识别问题 .

面向特征数据范围的泛化LVQ算法

欧氏距离度量向量相似性时忽视向量各特征取值范围的差异性,从而影响学习向量量化(LVQ)算法及其变种的分类精确度.针对此问题,文中提出一种面向特征取值范围的向量相似性度量函数,并基于该度量函数与泛化学习向量量化算法得出一种面向特征数据范围的泛化学习向量量化算法(GLVQ-Range).使用UCI机器学习库中8组数据对比GLVQ-Range和传统其它LVQ变种算法,验证文中算法的分类准确性更高和运算速度更快.使用视频车型分类数据,验证GLVQ-Range在真实生产环境中的可用性.

LVQ神经网络的红外光谱火灾早期预警算法

对前期大量试验采集的火灾气体数据进行特征提取,找出能够代表火灾整体特征的过程特征信息.通过体积分数曲线拟合分析,提取出体积分数、速度和加速度估值等火灾特征信息参量,建立适合于火灾早期探测的学习向量量化(LVQ)神经网络算法.通过对比分析证明,该算法比传统火灾探测器报警时间提前3～21min,且对于真假火灾可进行准确识别,实现火灾早期探测预警的目标.

基于LVQ神经网络的改进覆盖算法

覆盖算法是一种具有高分类准确度和强泛化能力的构造性神经网络分类算法。针对其选择覆盖中心的随意性,结合竞争性神经网络方法对覆盖算法进行改进,在覆盖学习之前进行预学习,选择最佳覆盖球形中心,来优化覆盖。通过标准UCI测试数据实验的比较,从分类的准确性和覆盖个数方面进行对比,得到改进的覆盖算法有很好的效果。

LVQ聚类算法在爆炸物THz光谱识别中的应用

运用THz光谱特性进行爆炸物的识别,是现代检测技术研究的一个热点。由于直接对原始数据进行聚类的识别率并不理想,首先对实验样本的THz频域光谱数据曲线进行二阶导数变换,得到了更能表现数据变化趋势和峰值的特征曲线,然后基于该特征曲线利用LVQ神经网络聚类算法,设计并用VC++6.0实现了THz光谱自动分类识别系统。分别对RDX、DNT、TNT、HMX四种爆炸物进行识别对比实验,运用原始数据训练出的分类器,识别率为96%,运用变换过后的特征数据训练出的LVQ分类器,识别率可以达到100%。实验证明,所设计的基于LVQ的神经网络分类器具有强大相似特征聚类功能和较高的识别率。

基于LVQ工况识别的混合动力汽车自适应能量管理控制策略

为提高混合动力汽车的燃油经济性,选取6种典型行驶工况代表"市区"、"郊区"和"高速公路"3类主要工况,采用基于规则的模糊能量管理控制策略,以整车燃油经济性为目标,在3类主要工况下用改进型粒子群优化算法优化发动机联合工作曲线与发动机关闭曲线系数,得到相应的优化后的隶属度函数的参数;运用学习向量量化(LVQ)算法识别车辆运行工况,动态选择相应的模糊控制策略,使混合动力汽车控制策略对选定的几种代表性工况具有自适应性,从而提高整车的燃油经济性。仿真对比结果表明,相比于传统混合动力汽车,燃油经济性提高了3.4%。

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。

主成分分析及算法

以主成分分析(PCA)特征结构的理论分析为基础,分别从神经网络和向量量化器两个不同的角度给出了最大主成分线的算法实现和比较,并由此讨论了HEBB算法对学习率的依赖和敏感度.

基于LVQ神经网络的朱鹮个体辨识技术研究

向量量化(LVQ)神经网络在语音识别领域具有广泛应用。常用的LVQ神经网络存在神经元未被充分利用以及算法对初值敏感的问题,文章提出采用遗传算法(GA)优化神经网络的初始值,将GA与LVQ神经网络结合起来,迅速得到最佳的神经网络初始权值向量,实现对鸟类鸣声的快速、准确识别。将其应用于朱鹮个体的辨识研究中,通过与BP神经网络进行比较,该方法在识别率上有较好的效果。