基于竞争学习网络的田间籽棉图像分割

为了正确识别田间籽棉,将籽棉和铃壳、绿叶、根茎、土地等自然背景视为二个类别,基于竞争学习网络进行了图像分割。从多幅典型的籽棉图像中选取10000个像素作为训练样本,并为它们贴上类别标签,在HSI、Lab、Ohta、RGB颜色空间下对训练样本的颜色特征及其组合进行K-均值聚类,选取了误分率普遍较低的RGB颜色空间,其B值的误分率尤其低。在RGB颜色空间下,用训练样本的R、G、B组合或B值一次性地训练了竞争学习网络,将图像的全部像素输入网络进行测试,同时与K-均值聚类比较,形态学滤波去噪后的结果表明,基于B值的竞争学习网络较优,用907幅籽棉图像对其进行仿真的精度达92.94%。该方法结合了有监督的学习算法,避免了传统K-均值聚类的反复迭代和过拟合现象,提高了图像分割的效率和精度。

基于竞争学习网络的中文关键字提取算法

为提高中文关键字的提取准确率,提出一种基于竞争学习网络的中文关键字提取算法。对文章进行分词,得到单个词组或短语,视其为单个神经元,将神经元输入竞争学习网络的输入层,通过竞争层上神经元的相互竞争,获得一个或几个活跃的神经元,使用合并权值及聚类分析方法得到文章的关键字。实验结果表明,该算法提取关键字的平均命中率高于词频-逆文档频率算法和传统的词频算法,鲁棒性较好。

竞争学习神经网络的译码功能研究

探讨了人工神经元网络竞争学习模型的纠错译码功能,通过对人工神经元网络竞争学习规则和平衡响应原理的分析,揭示了竞争学习的平衡响应与二值线性分组码的最大似然译码之间的等价关系。

利用自组织竞争神经网络提取NEMG信号的MUAP模板

采用自组织竞争人工神经网络 ,完成对针电极肌电信号 (NEMG)的运动单位动作电位 (MU AP)的模式分类。MU AP波形的特征取自于其自回归 (AR)模型系数 a1 ～ ap 及激励白噪的功率 εp构成的特征向量。模拟NEMG信号和真实 NEMG信号的实验结果表明 ,这种分类方法具有很高的正确率 ,从而为 NEMG信号分解研究中提取 MU

重复利用状态值的竞争深度Q网络算法

在使用反距离加权法(Inverse Distance Weighted method,IDW)对土壤重金属含量进行预测时,算法中的超参数一般由先验知识确定,一定程度上存在不确定性。针对这一问题,提出了一种状态值再利用的竞争深度Q学习网络算法以精确估计IDW的超参数。该算法在训练时,将每轮训练样本中的奖励值进行标准化后,与Dueling-DQN中Q网络的状态值结合形成新的总奖励值,然后将总奖励值输入到Q网络中进行学习,从而增强了状态与动作的内在联系,使算法更加稳定。最后使用该算法在IDW上进行超参数学习,并与几种常见强化学习算法进行对比实验。实验表明,提出的RSV-DuDQN算法可以使模型更快收敛,同时提升了模型的稳定性,还可以更准确地得到IDW的参数估计。

自组织神经网络在遥感影像分类中的应用研究

竞争学习网络与Kohonen神经网络相比,由于不考虑邻域神经元,其网络结构相对简单。采用这种简化的网络结构,并对其学习算法进行改进,用最大、最小距离法设置的初始聚类中心来代替随机初始中心。实验结果表明,用改进的竞争学习网络对遥感影像进行非监督分类,在分类精度和效率上都有较大的提高。

基于神经网络模型的聚类分析技术研究

聚类分析已成为数据挖掘,模式识别等应用领域研究中非常活跃的研究课题.在聚类分析方法中,基于神经网络的算法,由于考虑到“噪声”或异常数据,可以自动确定聚类个数,可以产生鲁棒的聚类方法,而竞争学习神经网络、SOFM神经网络方法是其中有代表性的方法,对其进行了分析研究,并给出了引入可变速度的训练算法。

动态重规划的多目标路径产生方法研究

随着城市现代化发展,交通问题越来越突出,为解决这些问题,智能交通加速发展,合理优化资源分配成为一大焦点.因此,提出一种动态重规划的多目标路径产生方法,主要分为路径选择模型以及路径优化算法两个方面.提出基于时间最短、距离最短、拥挤度最低三个目标的多目标路径选择模型,确定路径求解算法,改进竞争学习神经网络确定拥挤度分类,通过逆向A^*算法进行全局路径优化.当检测到路网信息发生变化时,将新信息反馈到系统中,通过增量更新算法进行动态更新,从而实现实时动态路径规划.最后,根据北京市某片区路网情况进行模拟,验证算法的可行性和有效性.

数据挖掘中基于模型的聚类分析方法研究

聚类分析已成为数据挖掘研究中非常活跃的研究课题,在聚类分析方法中,基于模型的算法由于考虑到“噪声”或异常数据,可以自动确定聚类个数,可以产生鲁棒的聚类方法,而成为领域研究的一个重点。本文主要对神经网络中的竞争学习神经网络、SOFM 神经网络方法、统计学聚类方法研究。