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。

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。

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。

基于学习矢量量化神经网络的交通标识识别技术研究

传统交通标识识别技术需要大量数据做训练且对输入数据的要求较高,导致识别结果误差较大,为此,提出基于学习矢量量化神经网络的交通标识识别技术。将预处理交通标识图像作为待识别数据集,构建学习矢量量化神经网络模型,输入待识别图像进行学习与训练后,输出交通标识类别的识别结果,实现交通标识识别。实验结果表明,所设计技术的交通标识识别率高达98.77%,验证了该技术的有效性与正确性。

学习向量量化神经网络在判别分析上的应用

神经网络用于判别分析是一个新的研究课题,给出学习向量量化神经网络在判别分析上的应用.计算实例表明,用学习向量量化神经网络用于分类是准确和可靠的.

JCapsR:一种联合胶囊神经网络的藏语知识图谱表示学习模型

知识图谱表示学习是自然语言处理的一项关键技术,现有的知识图谱表示研究主要集中在英语、汉语等语言,而低资源语言的知识图谱表示学习研究还处于探索阶段,如藏语。该文基于前期构建的藏语知识图谱,提出了一种联合胶囊神经网络(JCapsR)的藏语知识图谱表示学习模型。首先,我们使用TransR模型生成藏语知识图谱的结构化信息表示。其次,采用融合多头注意力和关系注意力的Transfomer模型表示藏语实体的文本描述信息。最后,采用JCapsR进一步提取三元组在知识图谱语义空间中的关系,将实体文本描述信息和结构化信息融合,得到藏语知识图谱的表示,相比基线系统,联合胶囊神经网络JCapsR模型提高了在藏语知识图谱上实体链接预测的性能,相关研究为其他低资源语言知识图谱表示学习的拓展优化提供了参考借鉴意义。

基于深度学习神经网络技术的脊柱椎弓根螺钉自动规划研究

目的:针对骨科手术机器人螺钉手工规划效率低下的问题,实现基于CT的脊柱椎弓根螺钉自动、高效、高质量规划。方法:采用深度学习神经网络对标注分割和螺钉的CT图像进行有监督的机器学习,实现脊柱椎弓根螺钉的自动规划;本实验使用44例腰椎CT共440枚螺钉作为训练集,使用11例CT生成110枚螺钉作为测试集,以手工规划作为对照组,通过盲法专家评价评估螺钉规划效果,并通过记录规划时间评估规划效率。结果:该自动规划方法生成的螺钉规划临床可用率为95.4%,自动规划时间与平均手工规划时间分别为68.8 s和177.6 s。结论:该自动规划方法可初步实现高效、高质量的脊柱椎弓根螺钉自动规划,但仍需临床医生监督复核。

改进迁移学习的双分支卷积神经网络图像去雾

针对现有图像去雾算法存在去雾不彻底和图像颜色失真的问题,提出一种迁移学习子网络和残差注意力子网络相结合的图像去雾模型。采用迁移学习子网络的预训练模型增强样本的特征属性;构建双分支网络结构,并利用残差注意力子网络辅助迁移学习子网络训练网络模型的参数;利用尾部集成学习的方法融合双网络的特征,得到去雾图像的模型参数,完成图像恢复任务。实验结果表明:所提算法在RESIDE数据集和O-HAZE数据集上PSNR指标比GCANet分别提高了1.87 dB和4.22 dB,在O-HAZE数据集上SSIM指标比GCANet提高了6.7%。

多任务联合学习的图卷积神经网络推荐

基于图神经网络的协同过滤推荐可以更有效地挖掘用户项目之间的交互信息,但其性能依然受到数据稀疏和表征学习质量不高问题的影响,因此提出一种多任务联合学习的图卷积神经网络推荐(multi-task joint learning for graph convolutional neural network recommendations,MTJL-GCN)模型。利用图神经网络在用户-项目交互图上所聚集到的同质结构信息与初始嵌入信息形成结构邻居关系,设计节点邻居关系的对比学习辅助任务来缓解数据稀疏问题;向节点的原始表征添加随机的统一噪声进行表征级数据增强,构建节点表征关系的对比学习辅助任务,并提出直接优化对齐性和均匀性两个属性的学习目标来提高表征学习质量;将图协同过滤推荐任务与对比学习辅助任务和直接优化学习目标进行联合训练,从而提升推荐性能。在Amazon-books和Yelp2018两个公开数据集上进行实验,该模型在Recall@k和NDCG@k两个推荐性能指标上的表现均优于基线模型,证明了MTJL-GCN模型的有效性。

基于迁移学习与GRU神经网络结合的锂电池SOH估计

为解决退役电池梯次利用过程中单体剩余使用寿命估计困难、测试流程复杂与能耗高等问题,提出迁移学习与GRU网络结合的锂离子电池健康状态估计方法;设计的基础模型结构为输入层+GRU层+全连接层+输出层;根据健康因子的得分,选择训练基础模型的数据集、划分电池相似度等级并制定对应的迁移学习策略。实验结果表明:与其他模型相比,分别使用数据集的前40%与前25%训练得到的基础模型与迁移学习模型,两者的精度分别最大提高42.48%与95.28%,而预测稳定性分别最大提高55.38%与93.55%。

引入神经网络极限学习机的关键数据查询模型

网络空间数据的结构具有较高相似性,海量数据的不断增量更新,导致关键数据查询结果存在冗余和偏离问题。因此提出基于神经网络极限学习机的关键数据查询方法。建模描述关键数据查询问题。基于此引入神经网络极限学习机,建立关键数据查询模型。预处理数据库中无用数据和重复数据做,通过输出权值范数的最小二乘解,避免算法陷入局部最优。结合输出矩阵,训练查询模型,输出结果结果即为关键数据查询结果。为证明上述方法的性能优势,设计对比实验,结果表明提出的方法应用于关键数据查询的均方根误差不超过1.2,平均绝对百分比误差最高为4.1%,关系数F可达0.6,网络节点的使用率低于20%。以上实验数据验证了上述方法数据查询精度较高,可应用性更强。

结合图对比学习的多图神经网络会话推荐方法

会话推荐根据匿名用户短期内的交互数据预测下一个交互物品。针对会话中物品少、物品长尾分布等特性,现有基于图对比学习的会话推荐模型提出对会话内物品采用随机裁剪、扰动等方式构造正负样本。然而,上述随机退出策略进一步缩减较短会话中的可用物品,使得会话更加稀疏,引起会话兴趣学习偏差。为此,提出了结合图对比学习的多图神经网络会话推荐方法。其核心思想是:在物品局部图、物品全局图等上提取融入物品局部和全局的高阶邻域物品表示,并生成物品级的会话表示,然后设计会话-会话图并学习会话级的会话表示,最后递归利用不同级别会话兴趣生成正负样本对,通过对比学习机制增强会话兴趣区分性。与退出策略相比,所提模型保留了完整的会话信息,实现了真正的数据扩充。在两个基准数据集上进行了大量实验,结果表明,该算法的推荐性能远优于主流基线方法。

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。

基于图神经网络的小样本学习方法研究进展

小样本学习(few-shot learning,FSL)旨在利用少量样本学习得到解决问题的模型,为解决应用场景中样本量少或标注样本少的问题.图神经网络(graph neural network,GNN)由于其在许多应用中的卓越性能引起了极大的关注,许多学者开始尝试利用图神经网络进行小样本学习,基于图神经网络的方法在小样本领域取得了卓越的成绩.目前与基于图神经网络的小样本学习方法相关的综述性研究较少,缺乏该类方法的划分体系与介绍性工作,因此系统地梳理了当前基于图神经网络的小样本学习的相关工作:概括了小样本学习的图神经网络方法的概念,根据模型的基本思想将其划分为基于节点特征、基于边特征、基于节点对特征和基于类级特征的4类方法,介绍了这4类方法的研究进展;总结了目前常用的小样本数据集和代表性模型在这些数据集上的实验结果,归纳各类方法主要的研究内容和优劣势;最后概述了基于图神经网络的小样本学习方法的应用和面临的挑战,并展望其未发展方向.