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。

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.

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%。

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.

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。

基于支持向量机铅酸蓄电池的分类研究

铅酸蓄电池是目前广泛使用的一种二次电池。在胶体电解质铅酸蓄电池的生产中,灌注的胶体电解质量不够的铅酸蓄电池必须在化成结束后重新补充胶体电解质。一般而言,判断铅酸蓄电池是否需要补充电解质是依据其化成后的电池容量和电解液体积。很明显这是一种耗时且不利于胶体电解质铅酸蓄电池配组的方法。文章提出了一种基于支持向量机的铅酸蓄电池补胶分类的方法,通过铅酸蓄电池化成过程中间步骤四个时间点的测试电压判断铅酸蓄电池是否需要补充胶体电解质。研究结果表明,该方法优于基于学习向量量化神经网络的分类方法,可以有效地缩短胶体电解质铅酸蓄电池生产时间。

基于LVQ神经网络的变压器故障诊断方法

结合模糊理论,提出一种基于学习向量量化器(LVQ)的变压器故障诊断方法。它首先在无监督学习模式下,采用数据压缩技术,完成输入空间上的向量重构。接着结合监督学习机制,从输入数据选择特征赋予每个类。该方法是一种将自组织映射(SOM)和监督学习模式结合起来的自适应模式分类技术,具有结构简单,适应性强和分类精度高的特点。变压器故障诊断实例显示了该方法的有效性。

基于LVQ的普米语语谱图识别

本文使用基于学习向量量化算法实现了对普米语语谱图的识别。该算法首先通过傅立叶变换绘制出每条普米语语料的语谱图;再次,提取每张语谱图的图像灰度共生矩构建特征向量;最后,运用学习向量量化实现对普米语孤立词的分类。基于学习向量量化算法的分类准确率达到了80.0%。

基于LVQ的上证综合指数择时理论研究

利用学习向量量化(LVQ,Learning Vector Quantization)神经网络,构建上证综合指数择时模型;结合技术,分析了经济基本面的变化;并在模型的输入变量中,对经济数据以及与股市本身相关的变量进行预测;进而通过判断上证综合指数的涨跌,采取对应的进入、退出策略,以期得到优于指数的超额收益。研究结果表明,相对于人工神经网络模型,LVQ模型能够较好地对进行模型识别,是一种比较理想的预测模型。

驾驶员眼部状态检测研究

对拍摄得到的驾驶员视频帧图像,使用复合肤色模型检测人脸;通过自适应边缘检测、图像增强等方法处理得到特征图像,经特征区域筛选,依据人脸先验知识匹配得到最佳人眼对;提取眼部特征向量,结合LVQ神经网络进行模式识别检测眼部状态,为判断驾驶员是否处于疲劳状态提供判据。

基于神经网络的激光超声探伤表面波的分类

利用3种神经网络即自组织竞争神经网络、学习向量量化神经网络和概率神经网络对激光超声探伤缺陷表面波进行分类.讨论了3种网络在不同输入情况下的分类效果.实验结果表明,这3种神经网络都可以取得良好的分类效果.

基于工况识别的PHEB能量管理策略研究

为提高插电式混合动力客车(plug-in hybrid electric bus,PHEB)的燃油经济性,文章提出了一种基于工况识别的PHEB能量管理策略。首先运用主成分分析(principal component analysis,PCA)和模糊C均值聚类法构建代表性城市工况;然后基于学习向量量化(learning vector quantization,LVQ)神经网络进行工况识别,并根据改进动态规划(dynamic programming,DP)算法提炼出全局最优能量分配规则,对能量管理策略进行优化;最后基于AMESim和Simulink建立PHEB整车和能量管理策略仿真模型,并在构建的合肥市代表性城市工况下进行仿真分析。仿真结果表明,该文提出的能量管理策略比电量消耗-电量维持(CD-CS)能量管理策略的燃油经济性提高了5.2%。

一种基于WPT和LVQ神经网络的手部动作识别方法

针对表面肌电信号(SEMG)的手部动作识别,提出一种采用小波包变换(WPT)和学习向量量化(LVQ)算法的神经网络分类器.对SEMG信号进行基于熵准则的最优小波包基分解得到各个节点分解系数,计算信号各个节点相应子频段的系数能量,归一化处理后的特征向量输入LVQ神经网络,实现基于SEMG的手部动作识别.实验结果表明,采取两路SEMG信号,该分类器能有效识别伸腕、屈腕、展拳和握拳4种动作模式,达到96%的识别率,能可靠应用于2个自由度肌电假手的控制.

基于LVQ-CPSO-BP算法的煤体瓦斯渗透率预测方法研究

针对BP神经网络算法对煤体瓦斯渗透率预测精度低问题,筛选出影响预测精度的5个主要因素——1个宏观因素(煤层埋深)和4个微观因素(有效应力、温度、瓦斯压力、抗压强度),提出一种基于学习向量量化神经网络(LVQ)分类、混沌粒子群算法(CPSO)优化、BP神经网络预测的LVQ-CPSO-BP煤体瓦斯渗透率预测方法。从宏观上确定临界值将煤层埋深划分为2层;基于有效应力与瓦斯渗透率之间存在拐点关系,从微观上确定拐点值将有效应力划分为2段;采用LVQ将4个微观样本参数依据拐点特征进行分类识别,采用BP神经网络进行学习训练并输出预测结果,并用CPSO对BP神经网络的权值和阈值进行优化;基于样本案例对本文构建的LVQ-CPSO-BP算法进行预测结果验证,并与BP算法、GA-BP算法及PSO-BP算法预测的结果进行对比分析。结果表明:LVQ分类正确识别率较高,CPSO-BP算法预测精度较好,且优于其他3种算法。LVQ-CPSO-BP算法总体预测值与实测值吻合度高,尤其当有效应力减小时,预测精度更高。