基于自组织映射神经网络的淮河流域生态系统服务簇时空变化特征

生态系统服务簇的识别是区域生态系统服务管理与优化的关键。量化了2000、2010、2020年淮河流域产水量(WY),水源涵养(WC),土壤保持(SC),生境质量(HQ),水质净化(WP),净初级生产力(NPP)和碳储量(CS)7种生态系统服务。并基于自组织映射神经网络(SOFM)识别了生态系统服务簇,探讨了生态系统服务簇的时空变化特征。结果表明:(1)2000—2020年,WP,NPP与WC呈上升趋势,WC的增幅最大;CS与HQ呈下降趋势。淮河流域各生态系统服务具有时空异质性,生态系统服务高值区多位于西南部山区与东北部丘陵山地地区。(2)识别了5个生态系统服务簇:核心生态服务簇,WP服务簇,WY服务簇,NPP服务簇与生态过渡服务簇。核心生态服务簇与生态过渡服务簇的面积总体增加,流域西南部山区与东北部丘陵山地地区生态系统服务提升,2000—2020年,WY服务簇与NPP服务簇间的转移面积较大,WY服务簇面积减少达60.09%,NPP服务簇面积显著增加,2020年占整个流域面积的57.02%。研究结果不仅有助于清晰认识淮河流域生态系统服务簇的空间分布格局及动态变化,也为探索淮河流域可持续的生态系统管理与规划决策奠定了基础。

基于混合自组织映射神经网络的云南省山洪灾害危险性区划

开展云南省山洪灾害危险性区划工作,以自组织映射神经网络为基础,混合Ward、PAM、CLARA、K-means和HK-means的5种方法进行二阶聚类,应用戴维森堡丁指数(Davies-Bouldin index,DBI)、轮廓系数(silhouette coefficient,SC)、聚类模型评估指数(Calinski-Harabaz index,CH)确定最佳聚类方案,之后以变异系数和变异系数一阶拆分确定最佳区划数量.结果显示:①SOM(self organizing map)+CLARA(clustering LARge applications)方法通过聚类有效性检验效果最好,其DBI值为1.0、SC值为0.9、CH值为0.3334,基于该方法得到云南省山洪灾害危险性最佳聚类数为5类,呈现类别空间分离,灾害属性相似的特征;②通过变异系数(coefficient of variation,CV)值变化及变异系数一阶差分(first-order difference,FOD)最低取值确定云南省山洪灾害危险性最佳区划单元为16个,具有形状上与地貌单元相近、数量上与行政单元相同,内部灾害发生机理相似的特征;③通过山洪灾害点、降水量、高程地貌的可视化比较,地理探测器定量分析,表明区划结果有较高的区内一致性和区间异质性.

TGSOM:一种用于数据聚类的动态自组织映射神经网络

针对传统Kohonen自组织特征映射(SOFM)神经网络模型结构需预先指定的限制,提出一种新的树形动态自组织映射(TGSOM)神经网络,当用于数据挖掘时该网络以其生成速度快可视性好具有显著优越性。该文详尽描述了该网络模型的生成算法,研究了算法中扩展因子的作用。扩展因子与训练样本数据的维数无关,其作用是控制网络的生长,扩展因子可以反映数据聚类的精度,即扩展因子值的大小与聚类精度的高低成正比。在聚类的不同阶段使用大小不等的扩展因子还可以实现层次聚类。

量子自组织特征映射神经网络

自组织特征映射是典型的无监督神经网络算法。它运用竞争学习策略实现数据分类。然而当网络中神经元个数为多项式时,自组织特征映射算法训练容易受到计算力挑战。为了降低算法训练的时间复杂度,本文提出了一个量子经典混合的自组织特征映射神经网络算法,利用量子叠加性和量子纠缠性对经典算法进行加速。在神经网络训练过程中,算法利用量子相位估计和Grover搜索算法并行实现相似度计算和标签提取。理论分析表明,本文提出的量子算法相比于经典算法在数据维度上具有指数加速。

三维荧光结合自组织映射神经网络考察自来水厂有机物去除效果

三维荧光光谱在水体监测和水处理领域日益引起广大研究者的关注。自组织映射神经网络(SOM网络)作为一种非监督、自学习的神经网络,具有自稳定性高、抗噪声能力强等特点。使用SOM网络对某自来水厂处理流程中水样的荧光光谱进行解析,可以将三维荧光光谱聚类成三类,分别对应为络氨酸类蛋白有机物、色氨酸类蛋白有机物、紫外富里酸类物质。整个自来水处理工艺能够有效的去除水体中的有机物,其中络氨酸类、色氨酸类、紫外富里酸类物质的去除率分别为84.6%,79.9%,69.1%。研究结果表明,SOM网络可以作为一种有效的水体荧光光谱分析工具,有助于优化水处理工艺参数,提高水处理工艺性能、以及自来水厂的监测和管理。

基于自组织映射神经网络的VANET组网算法

研究了应用于汽车辅助驾驶、无人驾驶等智能交通领域的车辆组网方法,提出一种将自组织映射神经网络算法应用于车辆自组织网络进行车辆组网的算法,该算法根据车辆定时发出的消息中位置、行驶方向等信息对车辆按目的地、行驶方向的相似性进行组网,组网后的车辆主要接收并处理与之在同一个网络中的车辆的信息。理论分析和仿真结果表明,组网后的系统传输时延远低于未组网通信情况,吞吐量有显著提高。

基于自组织映射神经网络的中药注射剂质量快速鉴别方法

将近红外光谱分析技术与人工神经网络相结合,研究提出一种基于自组织映射神经网络的近红外光谱神经元分类模型,用于对中药注射剂产品的近红外光谱进行计算分析,可实现对注射剂质量的快速鉴别。以3个不同厂家生产的参麦注射剂为研究对象,考察本方法的分类能力,其分类正确率达到96.4%,优于参与比较的判别式偏最小二乘法(90.5%)、反向传播神经网络(88.1%)和支持向量机(90.5%)。

自组织特征映射神经网络在测井岩性识别中的应用

为了解决测井岩性识别问题,引入具有较强的聚类和容错能力的自组织特征映射(SOFM)神经网络.在说明SOFM网络的模型和算法的基础上,结合某地的实际测井资料,建立SOFM网络岩性识别模型,进行岩性识别的应用研究.结果表明,识别的准确率较高,证明SOFM网络可以用于解决测井岩性识别问题,具有很好的应用前景.

一个基于自组织特征映射网络的混合神经网络结构(英文)

将ICBP网络模型引入BP-SOM(self-organizing feature maps)网络体系结构,并构建了一个基于SOM模型的集成型网络ICBP-SOM.BP-SOM是Ton Weijters提出的一种学习算法,它的目标是克服BP网络在特定类型的学习样本中存在的知识推广性方面的严重缺陷.提出此集成型网络的动机是,利用BP-SOM良好的知识解释能力和ICBP网络良好的推广性和自适应性构造一个ICBP-SOM模型,它具有良好的知识表示能力和极具竞争力的推广性能.在6个基准数据集上的实验结果验证了这一集成型网络的可行性和有效性.

基于自组织映射与概率神经网络的增量式学习算法

为解决传统学习算法不能有效利用新可用数据这一不足,提出一种基于自组织映射(SOM)和概率神经网络(PNN)的增量式学习算法——增量式模块化自组织映射概率神经网络(IMSOMPNN)。使用模块化SOM对每类训练数据进行学习,以训练后SOM的原型向量作为此类别的模式神经元来构建PNN。IMSOMPNN可以方便地实现对不同类型的新数据进行增量式学习,并且在进行增量学习时,不再需要利用到原始的训练数据,仅使用新的数据对已有模型进行局部调整;最后,IMSOMPNN还具有较强的抗噪能力。在UCI Landsat Satellite数据集上的实验验证了该文所述方法的有效性。

基于自组织映射神经网络的市场清算电价预测

市场清算电价预测是电力市场中交易决策的基础。人工神经网络是电价预测较为理想的方法,但依然存在一些问题,如样本训练有时需要很长时间,存在收敛问题,特别是当样本特征量不明显的时候,这种现象更为突出。针对这一问题,利用自组织映射的聚类特性将历史数据进行特征分类和筛选处理,处理后形成的新数据用于训练三层BP神经网络,仿真结果表明,经过这种数据处理后,网络的收敛速度得到了显著提高,且预测效果良好。

基于自组织映射神经网络的图像检索算法

提出了一种基于自组织映射神经网络的图像检索算法,通过有效地融合图像的颜色特征和纹理特征从图像库中查找与示例图像相似的图像。对于颜色特征,本算法将图像中各像素的R,G,B颜色作为输入值,对颜色相似的像素进行聚类,并将聚类结果映射成二维映射图。二维映射图中每个阶的像素数目作为特征1;每阶中像素的平均坐标作为特征2。为了增强对图像的描述能力,利用Jhanwar等人提出共现矩阵作为改进的纹理特征,该特征作为特征3。相比已有方法,本文算法获得了更好的图像检索性能。

自组织映射神经网络用于暂态稳定性分析的研究

对几种形式的自组织映射神经网络进行了集中介绍 ,并对自组织特征映射 (SOFM )神经网络和学习矢量量化 (LVQ)神经网络在电力系统暂态稳定模式识别中的应用性能进行比较。利用SOFM网络输出层聚类信息对不同ANN输入特征量的选取效果进行了直观的比较。在这些比较的基础上 ,利用Kohonen网络“无监督聚类、有监督学习”的工作方式 ,给出一种基于Kohonen网络的复杂系统在线事故筛选和发电机功角预测方法。利用华中电网的数据对这种网络进行了大量的计算 。

应用自组织特征映射神经网络技术实现分布式入侵检测

文中描述了一种应用自组织特征映射神经网络技术构建的分布式入侵检测系统模型,介绍了自组织特征映射神经网络的学习算法、训练过程以及在线检测流程,具有良好的自组织、自适应的能力,为网络安全运行提供了一种入侵检测手段。

基于自组织映射神经网络模型的区域经济评价——以延安市为例

县域经济评价分类是区域经济发展研究中的重要课题。针对县域经济评价分类与其影响因素之间复杂的非线性关系,文章提出应用自组织映射神经网络模型来评价县域经济发展实力。以延安市为例,建立了实用的县域经济评价指标体系,应用建立的自组织映射神经网络模型进行了评价分类。针对分类结果,提出了延安市各县区县域经济协调发展的对策。

基于模糊自组织映射神经网络的故障诊断方法

在研究Kohonen自组织映射网络理论的基础上运用模糊理论方法建立了刹车系统模糊故障诊断模型。该模型只需选择足够的具有代表性的故障样本训练神经网络，将代表故障的信息输入给训练好的神经网络，根据神经网络的输出结果，就可以判断发生故障的类型。该模型除能识别已训练过的故障，还能识别未训练过的故障，并且聚类能力强、速度快，因此很符合复杂系统的故障诊断。

利用自组织特征映射神经网络进行可视化聚类

自组织特征映射作为一种神经网络方法,在数据挖掘、机器学习和模式分类中得到了广泛的应用。它将高维输入空间的数据映射到一个低维、规则的栅格上,从而可以利用可视化技术探测数据的固有特性。该文说明了自组织特征映射神经网络的工作原理和具体实现算法,同时利用一个算例展示了利用自组织特征映射进行聚类时的可视化特性,包括聚类过程的可视化和聚类结果的可视化,这也是自组织特征映射得到广泛应用的原因之一。

基于自组织映射神经网络的蛋白质序列分析模型

为了对蛋白质序列进行更精确合理地相似性分析,本文将氨基酸的排列方式与其理化性质相结合,提出了一种基于自组织映射神经网络的聚类模型。首先,采用Wang和Wang的方法把蛋白质序列转化为一条5-字母序列,并将5个字母均匀分布在以原点为圆心的单位圆周上,得到蛋白质序列的位置坐标x,y。然后,结合氨基酸的3个理化指标,进而用一个5-维向量来表示一个氨基酸。最后,运用自组织映射神经网络对不同的蛋白质向量进行聚类分析。本文最后的数值试验部分对9个不同物种的线粒体NADH脱氢酸的蛋白质序列进行了相似性分析,实验结果在一定程度上验证了模型的有效性。

基于自组织映射神经网络的吉林省春夏期降水统计模拟研究

利用1997—2015年吉林省春夏期(4—7月)逐日气象站地面观测资料,以气温、气压、相对湿度、水汽压、风速为协变量,建立各站点逐日降水量的基于自组织映射神经网络(Self-Organizing Maps,SOM)的统计预测模型;分析吉林省春夏期的主要天气模态,研究逐日降水和天气模态之间的关系,并基于此关系提出逐日降水量的蒙特卡罗模拟方法。结果表明:SOM对天气模态的分型质量较好,邻近天气模态的累积概率分布较相似,距离较远的天气模态累计概率分布差异较大。各天气模态下无降水的概率与日降水量区间宽度的相关系数为-0. 94,显著性水平小于0. 01。基于降水量累积概率分布,20种天气模态被划分成4类,并与降水易发程度和逐日降水量完全对应。在此基础上,对吉林省24个站点逐日降水量进行蒙特卡罗模拟,并进行预测性能分析。平均绝对误差(Mean Absolute Error,MAE)和均方根误差(Root Mean Square Error,RM SE)的中位数分别为3. 12 mm和6. 13 mm,SBrier和Ssig分别为0. 06和0. 51,站点的逐日降水量预测性能整体较好。MAE和RMSE分布呈现东南大西北小,去除降水自然变异差异的影响,所有站点的误差都较小; SBrier和Ssig没有明显的空间分布特征。

基于自组织特征映射神经网络的短期负荷预测

提出了一种基于自组织特征映射神经网络(Kohonen网络)的短期负荷预测方法,根据Kohonen网络的聚类特性,样本在输入时就已分好类。输入既有与负荷曲线平滑性有关的数据又有反映负荷周期性变化的数据。在学习训练时,区别于普通的无监督竞争学习采用有监督竞争学习方式,缩短了学习时间,提高了学习精度。实例分析证明了该方法的有效性。