一种基于关系熵和J量值的网络事件关联模式漂移检测方法

针对传统的模式漂移检测方法无法直接适用于关联规则分析的问题,提出了一种基于关系熵和J量值的模式漂移检测方法。抽取并定义了4种特征属性:关系量RC、关系熵RE、窗口数WC和J量值,并通过对时间相邻的两个滑动窗口内的关系熵和J量值的取值分布进行假设检验,判断和定位模式漂移的发生,得到模式漂移影响较大的事件集和事件对集,它们可为关联规则的调整和更新提供支持。实验数据表明该方法准确可行。

立方五次方非线性薛定谔方程的动力学及模式漂移（英文）

利用辛算法研究立方五次方非线性薛定谔方程的动力学,讨论随着五次方系数的增大方程的动力学性质.在相图中计算得到同宿轨交叉和椭圆轨道,系统具有周期解.讨论方程的解模式的漂移,结果表明解模式的漂移速度随着五次方系数的增大而减慢.

黄海浒苔漂移输运模式的建立与应用

本文利用NCEPGFS预报风场和中国近海高分辨率三维MASNUM海浪-潮流-环流耦合海洋数值预报系统的预报数据,建立黄海浒苔漂移输运模式,用于黄海浒苔溯源和漂移输运数值模拟研究。使用2009年5月份黄海表层漂流浮标数据和2012年MODIS卫星遥感浒苔漂移分布资料对所建立的漂移输运模式进行验证,结果表明所建立的模式能够有效的模拟出浒苔暴发区漂流浮标运动状况,并能够有效地模拟出2012年浒苔漂移输运过程。最后运用所建立的模式开展2008年和2010年浒苔漂移输运过程,模拟结果与文献报道的卫星观测结果一致。模拟结果表明,受海洋表层流影响两年浒苔特征显著不同:2010年浒苔影响海域明显小于2008年,且2010年浒苔主体没有大规模在青岛近岸堆积。

用于双模式离子漂移管系统的法拉第盘离子检测器

双模式离子漂移管系统含有脉冲高压电场、大电流加热和气路驱动3种强电磁干扰源。为了提高离子检测器的灵敏度,必须抑制漂移管迁移区的脉冲高压电场、大电流、静电及其它环境噪声。本实验研制了一种新型的法拉第盘离子检测器,可有效抑制上述噪声,满足现有双模式离子漂移管系统对离子检测器的要求。

一种抗漂移的改进ART2网络GSC-ART2研究

ART2是一种基于自适应谐振理论的无监督神经网络,由于其快速响应、实时学习等特点,被广泛地应用在实时聚类问题中。传统的ART2存在幅值信息丢失、容易产生模式漂移的问题,本文针对此不足提出了一种基于广义相似度和置信度的GSCART2网络。其通过引入广义相似度检测和竞争机制,解决了幅值信息丢失的问题。置信度结合广义相似度的权值调整方式抑制了模式漂移并使网络的连接权值更加准确。通过实验表明,GSC-ART2网络在处理幅值相关、样本渐变分类问题上的识别性能均优于传统ART2网络,从而证明了此GSC-ART2网络的有效性,也为解决模式识别中普遍存在的模式漂移问题找到了一种优良的解决方法。

一种改进的ART2网络学习算法

分析了现有ART2网络存在的问题,提出了一种改进的ART2算法。该算法首先利用样本数据自身来初始化权值,然后按照同一类中的数据点到其聚类中心的距离之和越小(即类内偏差越小),聚类效果越好的原则来设计特征表示场和类别表示场之间的权值修正公式,最后通过比较输入样本和聚类中心的模来有效地利用模式的幅度信息。分析证明了该算法不仅能有效解决模式漂移问题、充分利用幅度信息,而且能提高聚类速度。

ART-2神经网络的改进及建模实现

指出了传统的ART-2神经网络对渐变过程不敏感的局限性,提出了一种新的改进算法。并对ART-2网络进行建模,通过与其它建模方法的对比,详尽讨论了ART-2的建模方法及特点。最后通过应用改进算法解决了原先模型中的“模式漂移”现象,使模型性能得到了明显的改善。

基于改进ART2网络的电力负荷脏数据辨识与调整

为提高电力负荷预测和特性分析的精度,应首先对负荷历史数据的脏数据进行辨识和调整。文中提出了基于改进ART2网络的脏数据辨识与调整模型。该模型首先基于类内样本与类中心距离不同会对类中心的偏移产生不同影响的思想,改善了传统的ART2模式漂移的不足,然后根据残差理论以及电力负荷曲线固有的特征,增加了鉴别修正子系统。利用模型中传统的ART2部分对负荷曲线进行分类并提取其特征曲线,然后再利用鉴别修正子系统对输入的负荷数据进行脏数据辨识与调整。实例分析说明了该方法的有效性。

一种ART2神经网络的改进算法

传统的ART2神经网络由于预处理阶段的归一化,易将重要但幅值较小的分量作为噪声清除,造成在分类中丢失重要信息,同时还存在模式漂移的不足,分析产生这些不足的原因,并基于去单位化以及类内样本与类中心的距离不同而对类中心偏移产生不同影响的思想,对传统的ART2神经网络算法进行了改进。对一组渐变数据的测试表明,改进后的网络有效改善了模式漂移现象。同时,改进的ART2神经网络在核辐射场数据处理分类中有一定的实用价值。

用改进的ART-2网络建立移动机器人环境模型的研究

本文应用自适应共振理论中ART 2神经网络进行移动机器人环境障碍模式识别 .ART 2神经网络在处理单方向渐变的模式输入时具有模式漂移的特点 ,机器人在静态环境中运动依赖这种特点 ,但在动态环境中模式漂移的特点却会对机器人的安全造成威胁 .为此 ,设计了一种改进的ART 2神经网络 ,使得移动机器人同时适应在静态和动态环境中安全运动 .

一种改进的ART型神经网络学习算法

指出常规ART1型神经网络的不足,提出了一种改进的相似度计算方法。它同时考虑两向量对应位子值,避免了ART1网络中两个向量由于输入顺序的不同而得到不同的相似度的结果;针对ART1网络模式识别的漂移问题,提出了少数服从多数原则来减少这种问题的出现。改进了ART1型神经网络的应用效果。

基于ART2神经网络算法改进的研究

ART2神经网络是按照自适应谐振理论建立的一种自组织、无监督的人工神经网络。通过分析经典自适应谐振神经网络聚类过程,针对传统ART2神经网络模型对分类的不确定性和网络权值模式漂移等不足,提出了基于算法改进的ART2神经网络模型。最后对改进的ART2神经网络进行了仿真,并与经典神经网络所做仿真的结果比较,验证了改进的ART2神经网络结构大大提高了分类的正确率,有效改善了模式漂移现象,降低了空间存储消耗。

基于神经网络的电力负荷不良数据的清洗

电力负荷预测前应首先对负荷数据进行清洗,根据电力日负荷曲线的特征,应用改进的ART-2神经网络准确的提取电力日负荷特征曲线,然后利用支持向量数据描述法对不良数据进行精确定位,最后利用特征曲线对不良数据进行修正。由于ART2网络能够动态调整特征曲线以及支持向量数据描述法快速准确性,使得该清洗模型具有对不良数据进行动态清洗的功能,实例分析说明了该模型的高效性。

ART2网络的学习速率调整及其影响

首先讨论了ART2网络的常用学习规则,指出快速学习方式中隐式蕴含了在其他神经网络中常提到的学习速率,并给出了调整这种隐式学习速率的方法.通过实例说明了学习速率调整对模式漂移现象的抑制作用,并对比了不同学习速率对Iris数据集分类的影响.

一种基于ART2神经网络的算法改进

针对传统的ART2神经网络中对于主观设置的警戒参数以及识别分类过程中产生模式漂移的问题,提出基于改进算法的ART2神经网络模型,用于解决分析模式识别问题。通过自组织,加权,迭代等过程推导合理的警戒参数用于聚类运算,通过对ART2神经网络的权值训练方面进行修正,减缓学习速率,降低模式漂移速度,近一步对聚类对象进行合理分类。实验结果证明,该方法是可行的和有效的。

ART2神经网络学习算法的改进

自适应共振(ART)神经网络具有无监督学习功能,能对时序信号进行实时学习、实时处理,能对已学习过的样本作出快速响应,自动识别等优点,尤其以ART2网络更具有实用性。但是传统的ART2网络存在幅度信息丢失和模式漂移等现象,针对这一情况,本文把模式漂移的方向作为一个因素进行考虑,通过设置漂移上限系数,引入栈结构对模式漂移的相反方向相互抵消,同一方向累加的方法有效限制了模式的飘移,对各改进算法进行比较体现本文算法的优越性。

慢速权值更新的ART2神经网络研究

ART2是基于自适应谐振理论的一种自组织神经网络,通过竞争学习和自稳机制原理实现分类,可以在非平稳的、有干扰的环境中进行无监督的自学习,其学习过程能迅速识别已学习过的样本,并能迅速适应未学习过的新对象。提出了一种基于慢速权值更新的ART2神经网络算法,该算法在对输入模式进行识别分类时,会减慢学习速率,降低模式漂移的速度。新的网络学习规则在分类实验中取得了较好的效果,并在一定程度上解决了模式漂移问题。

立方非线性Schrdinger方程的动力学性质研究及其解模式的漂移

采用辛算法数值求解一维立方非线性Schrdinger方程,研究了随着非线性参数的变化立方非线性Schrdinger方程的动力学性质和解的模式的漂移.数值结果表明,随着非线性参数的增加解模式的漂移速度越来越快.

基于ART-2网络的日负荷特征曲线提取方法

电力日负荷特征曲线的提取是电力负荷数据中脏数据的辨识、调整工作和短期负荷预测的重要内容。ART-2神经网络具有实时学习的能力,能根据新的负荷数据产生新的类别,还可通过对输入向量进行归一化和非线性变换来预处理,有抑制噪声增强对比的作用,因此具有很强的抗差能力。算例分析结果证明用ART-2网络提取电力日负荷特征曲线更具优势,可以取得满意的效果。