青藏高原及周边地区极端降水天气事件及其基于自组织特征映射方法的天气背景分型

利用2008—2014年中国自动站与CMORPH降水产品融合资料和NCEP再分析资料,基于自组织特征映射方法对青藏高原及周边地区的6 h极端降水天气进行了统计分析。发现6 h极端降水的高值和高频次主要分布在青藏高原西南部和东南部,以及东南侧的四川盆地和南侧沿喜马拉雅山至横断山脉一带。6 h极端降水在高原西南部多发生在14时(北京时,下同),在东南部多发生在20时,而在四川盆地和南侧主要发生在08时。采用自组织特征映射方法将2008—2014年高原及周边地区6 h分辨率的天气背景分为5类,类型I至类型V体现了从夏季—春秋—冬季的渐变,6 h极端降水天气事件发生比率依类递减。高原上总的极端降水主要来自类型I的高原极端降水,类型II及以下的高原极端降水落区逐类缩减并趋于沿冈底斯山零散分布。对比各类型的天气背景发现,高原上类型II及以下的动力强迫较类型I逐渐增强,但是暖心、湿度和对流有效位能等有利热力条件却依类明显缩减,使得高原极端降水落区依类迅速缩减。有利热力条件的分布与大范围极端降水的落区有很好的对应关系,热力条件减弱后,动力条件的增强及其与高原复杂地形的相互作用是导致零散极端降水的重要原因。四川盆地和高原南侧的对流有效位能明显高于高原内,高原在周边的强迫抬升易于触发对流不稳定,释放较高的对流有效位能,形成较强和较频繁的极端降水天气事件。

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。

考虑易用性和可解释性的自组织映射-即时学习风险预测框架

为提高风险预测系统的易用性和可解释性,提出基于自组织映射网络(SOM)改进的即时学习(JITL)风险预测框架。首先,应用SOM对数据样本进行聚类,并对聚类特征进行解释。进而,通过基于聚类结果的样本选择算法构建待测数据的相似样本集,在线上调用作为基学习器的支持向量机(SVM)进行建模并输出风险预测结果。最后,采用一个交通事故数据集对风险模型的性能进行测试,检验其精度、易用性和可解释性。结果表明:采用SOM-JITL策略的SVM模型,受试者工作状况曲线面积指标达到0.720,相比不使用该策略的传统SVM模型提高17.5%,精度较高;SOM-JITL模型构建所需参数调节工作少,具有较好的易用性;此外,SOM聚类结果准确识别出处于交通拥堵等高风险场景,与现实场景一致,具有可解释性。综上,SOM-JITL策略能有效提高基学习器的性能,达到精度、可解释性和易用性的平衡,有助于以低成本大规模推广风险预测系统。

基于受监督自组织映射的慢性阻塞性肺疾病氧减状态辨识

慢性阻塞性肺疾病(COPD)是一种与人体肺部及呼吸道相关的常见慢性疾病,严重威胁着人类健康。氧减状态的准确辨识对于诊断COPD具有重要的临床指导意义。基于受试人员的6分钟步行数据,本文展开了COPD氧减状态的辨识研究,对每个待辨识点进行特征表示,包括血脉氧饱和度指数、脉搏、血脉氧饱和度指数的窗口特征、梯度特征以及耦合特征,在上述特征表示的基础上,使用数据集来训练用于氧减状态辨识的受监督自组织神经网络模型。严格的对比实验结果表明:本文所提出的辨识模型优于现有的其他方法,全局性能指标AUC达到了0.8611,可以有效用于氧减状态的辨识,对于COPD的诊断具有重要的参考价值。

基于自组织特征映射模型(SOFM)网络的中国自然资源生态安全区划

自然资源生态安全是国家安全的重要组成部分,自然资源生态安全区划对保障区域可持续发展提供了重要途径。基于自然资源数据、生态环境数据和相关区划资料,从生态敏感性与生态服务重要性角度构建了自然资源生态安全评价指标体系,进而揭示了中国自然资源生态安全的空间格局;通过建立区划的原则和指标,按照一级区主要反映自然资源空间分布格局,二级区主要揭示自然资源生态安全水平的差异,采用SOFM网络制订了中国自然资源生态安全区划方案。结果显示:(1)中国自然资源生态安全水平整体偏低,以中警与重警状态区域为主,安全和较安全状态的区域仅占24.22%,其中低安全等级区多分布于400mm等降水量线以西的干旱、半干旱区,高安全等级区则集中分布于水热资源与生物资源较为丰富的东南部地区;(2)中国自然资源生态安全区划方案包括8个一级区与27个二级区,总结归纳各大区自然资源的特征和威胁生态安全的问题,并针对二级区自然资源生态安全状况提出了对策建议。研究结果可为分区、分类推进全国自然资源可持续利用和国土空间优化提供理论支持与决策依据。

基于多任务特征融合算法的电力大数据增量式自组织映射方法

为了实现电力大数据精准映射,基于多任务特征融合算法研究电力大数据增量式自组织映射方法。对电力大数据进行分解,以线性组合形式划分特征类型;利用多任务特征融合算法设计候选分类类别数量,确定自组织映射目标;通过不同数据的语义长度对应所属类型,实现电力大数据的增量式自组织映射,完成增量式数据的自组织映射方法设计。以某省实际运行的电力公司为测试对象,对其一年内产生的电力大数据作为测试样本,分别将其按照具体的类型进行映射,验证新方法。实验结果表明,新方法可以实现精准的自组织映射,在整个过程中不会产生数据交换误差,具有应用价值。

融合PSO和自组织映射的智能工厂产品质量检测模型研究

智能工厂的兴起将产品质量检测推向自动化和智能化。为提升检测的精度与实时性,本研究利用粒子群优化算法优化自组织映射网络的参数,设计出一种混合产品质量检测模型。仿真实验显示,在最大迭代次数1000下,该模型的平均欧式距离降至24.7,速度与精度均优于传统方法。同时,设计模型的召回率分别比另外两种模型高3.8%、8.7%,误报率分别比另外两种模型低0.0023、0.0027,证明了设计模型能够检测出产品质量问题。表明混合模型有助于提高生产效率和产品质量,对于智能工厂生产线实现高效、自动化的质量监测具有重要意义。

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。

煤矿事故因素的自组织映射分布研究

为进一步明确煤矿事故致因因素间的复杂耦合机制,引入自组织映射(SOM)神经网络。首先利用24Model分析煤矿事故因素,构建事故属性数据集;其次通过SOM算法,可视化分析因素与事故间的耦合关系,最后结合K-means聚类算法,研究煤矿事故致因中单因素及多因素耦合对事故的映射特征,并计算因素间的耦合程度。结果表明:“事故-单因素”映射分布可反映出单因素对事故影响程度的差异性,其中管理落实不到位、安全培训不到位以及制度文件不健全等因素对煤矿事故的影响较大;“事故-多因素耦合”映射分布得到直接因素类别中违章指挥、违规作业、操作失误和不安全物态4种因素的耦合作用较强;因素耦合度分析中“体系文件不健全、安全文化欠缺-人员组织不合理”、“配套设施不齐全-安全习惯不佳”等多对因素的耦合度大于0.8,存在较强的耦合关系和因果性。

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。

面向电厂设备异常检测的自组织映射深度自编码高斯混合模型研究

工业领域的生产设备异常检测实际上是采用无监督技术准确预测设备早期劣化的异常工况和定位具体的异常参数。深度自编码高斯混合模型DAGMM在生产设备数据集上异常检测性能较优,但仍有提升空间。针对深度自编码存在的高维信息丢失的问题,提出使用自组织映射辅助均匀流形近似与投影改进的模型SOM-UMAP-DAGMM。通过将UMAP算法改造为神经网络,在原来的损失函数上新增一项交叉熵实现与DAGMM联合训练,补充高维数据分布信息;并结合预训练SOM,补充空间拓扑结构信息。在两个公开数据集和3个生产设备数据集的实验结果上显示,SOM-UMAP-DAGMM较DAGMM性能得到了一定的提升。

自组织映射(SOM)聚类算法的研究

通过自组织映射神经网络实现的聚类算法能将任意维数的输入信号模式转变为一维或二维的离散映射,以拓扑有序的方式自适应实现这个变换。介绍自组织映射聚类算法的原理,通过实验进行仿真,结果表明自组织映射聚类算法是可行有效的。

基于自组织特征映射网络(SOM)的聚类分析方法

介绍了自组织映射网络聚类分析方法,以2012年以来全世界女子排球最重要的七次大赛成绩为依据,提高世锦赛、世界杯、奥运会权重,建立了相应的神经网络模型,并对世界九支女排强队成绩进行6个级别分类。在训练过程中减小关联度较小的样本影响,提高了预测精度、训练速度。使用Matlab工具箱函数进行仿真,面对网络媒体中众多的世界排名,推测预知,提出了相对科学的数据分析方法。

基于SOM-BP的全自动口罩机传动系统故障检测

针对口罩机在多工序生产中故障特征难以诊断的问题,提出了一种基于自组织映射(SOM)和误差反向传播网络(BP)的故障检测模型。首先针对4种减速机故障类型搭建SOM-BP复合型神经网络模型并完成检测分类,其次通过提取原振动信号的20组时域和频域参数作为SOM网络的输入样本进行初步聚类,并根据仿真结果确定最佳竞争层结构,最后将聚类后结果输入BP网络进行预测并完成分类,实现故障检测。研究结果表明,7×7竞争层结构下的SOM-BP复合型神经网络对于减速机的8种时域和频域参数的检测效果最优,分类准确率可达93.5%,173次迭代即可收敛,数据拟合度最高达0.99876,达到实际检测要求,验证了该方案的有效性和可行性。

基于高斯神经元的自组织映射网络研究

自组织映射网络(Self-organizing map network,SOM)是一种经典的无监督学习方法,具有自组织和联机学习功能。由于其简明与实用等特点,不断涌现出SOM变体以适应各类问题。然而,这些工作基本都采纳了确定性神经元建立网络,忽略了数据本身隐含的不确定性信息,导致这些模型的结果缺乏由置信度反映的可解释性,意味着SOM神经元的不确定性刻画能力不足。本文提出了一种高斯神经元SOM网络(Ganssian neuron som network,GNSOM),其神经元节点不再是确定性的,而是建模为高斯分布的高斯神经元,为SOM配备了不确定性功能用于表述数据的不确定性。在实现时,将输入数据同样高斯化,并用Jensen-Shannon(JS)散度代替SOM学习中的欧氏距离作为GNSOM学习中的相似性匹配度量,由此获得了不确定性表示。实验结果表明,GNSOM具有更好的训练效果,并能通过神经元节点的协方差矩阵反映数据的不确定性。由于这种对神经元的高斯化独立于SOM本身,因此能拓展应用于其他神经元模型。

基于自组织映射网络的微表情运动规律分析方法

表情是人类情感交互的重要方式。神经生理学研究表明:微表情很难由主观意识所控制,是人类真实情感的流露。与宏表情不同,微表情发生常常伴随着面部左右和上下的不对称移动,运动模式复杂。但由于微表情运动幅度小,人眼难以直接观察,微表情运动规律尚未被深入解析。在公共安保等领域,对微表情识别算法的可靠性与可解释性有很高要求。因此,本文旨在研究微表情运动规律分析方法,实现微表情运动规律的系统性解析。本文工作包括:研究基于自组织映射网络(Self-Organizing Maps, SOM)的微表情特征无监督聚类方法,得到微表情运动模式及其概率。定义微表情运动相似度指标,它从面部14个感兴趣区域运动趋势的角度来衡量两个微表情运动特征的差异程度,并作为调节SOM网络权值的依据。本文对CASMEII、SAMM、SMIC和MMEW数据集的微表情样本进行分析,并根据SOM网络的聚类结果总结微表情运动规律,该规律可以指导微表情识别算法特征提取,提升可靠性。

基于自组织映射(SOM)算法的地下水污染源反演

根据污染物浓度监测数据进行地下水污染源反演是一类典型的地下水逆问题,通过对地下水污染源位置与强度的确定有助于提高地下水污染治理与修复的效果。提出一种基于自组织映射(SOM)算法的地下水污染溯源模型的替代模型的构建方法,并通过数值算例研究了SOM替代模型中训练数据样本数目和神经元数目的最优组合,以得到能够准确地表征地下水污染源强信息与观测数据之间联系的最优替代模型。算例研究结果表明:基于SOM算法的替代模型作为一种快速反演算法,在应用于地下水污染源反演问题时能有效减少计算量,并能以较高的精度对地下水污染源进行快速识别,具有良好的稳定性和鲁棒性。

人类活动和气候变化影响下的黄河下游月径流时-频综合特征的小波分析-自组织映射网络(WA-SOM)分析

以黄河利津站54年(1950～2003年)的月径流序列为基础资料,以1970年为分界点,对比分析黄河下游1950～1969年和1970～2003年的各月径流序列和年径流序列的变化特征;并把1950～1969年和1970～2003年的各月径流序列的特征值和主周期作为自组织映射网络(SOM)的输入向量,分别建立小波分析-自组织映射网络(WA-SOM)耦合模型,根据其输出结果对比分析1970年前后黄河下游各月径流序列的变化情况。研究表明:1970年以后,黄河下游各月径流量明显减少,各月径流序列(除1月和12月)的C_V和C_S显著增大,整体来看,主周期变得更加复杂;并且在1970年之后,3月、4月、5月和6月的径流序列变得相似,汛期8月、9月和10月的径流序列特征差异很大。

基于非扩张映射及SOM进行特征选择的DOA估计

为进一步研究窄带水声信号特征与波达方向(DOA)的映射关系,在基于三层自组织神经网络映射对声信号特征向量进行拓扑排序的基础上,提出了结合区域Lipschitzs系数及局部Lipschitzs系数进行改进的DOA估计模型。该方法通过对信号特征与波达角所形成的映射进行非扩张映射检验,即对区域李普希兹系数进行讨论并对映射的优劣进行评判,以自组织神经网络为训练器,依据特征层拓扑排序并结合局部Lipschitzs系数构建基于1-邻域的综合DOA估计法则,从而改进了DOA估计系统。仿真实验结果显示该方法所选择特征用于对DOA的估计效果更优,平均误差、方差均在10-2以内;在信噪比(SNR)从20 dB下降到2 dB的情况下,对照其他常用DOA估计算法,估计结果同时显示出良好的鲁棒性。

改进自组织映射的多无人机协同任务分配方法

针对现有算法对多无人机(UAV)协同进行多任务分配时存在负载均衡和执行效率方面的不足,提出一种改进的自组织映射(ISOM)算法。该算法根据飞行时间和任务执行时间设计了UAV的负载均衡度,以提升任务完成的效率;还设计了新的非线性变化的学习率和邻域函数保证ISOM算法的稳定性和快速收敛。然后,在不同任务环境对ISOM算法进行了有效性验证。实验结果表明,与结合遗传算法的粒子群优化(GA-PSO)、Gurobi和ORTools算法相比,ISOM算法的任务完成时间可分别减少15.5%、12.7%和7.3%;在TSPLIB数据集的实例KroA100、KroA150、KroA200上进行航迹长度减小的有效性验证时,与杂草优化(IWO)算法、改进的单亲遗传算法(IPGA)和蚁群单亲遗传算法(AC-PGA)的对比结果表明,ISOM算法在无人机数量为2、3、4、5、8时,均获得了最小的航迹长度。由此可见,ISOM算法在解决多UAV协同多任务分配问题时效果显著。