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。

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。

人工神经网络算法在岩土工程中的应用分析

人工神经网络算法作为一种机器学习技术,能够模拟人类大脑的生理结构及工作机制。文章对人工神经网络算法的类别和工作原理进行了分析阐述,重点对分别属于前反馈型模型、后反馈型模型及自适应竞争模型的反向传播人工神经网络算法、Hopfield神经网络算法和自组织映射人工神经网络算法进行介绍,进而分析上述三种人工神经网络算法在岩土工程中的实际应用。人工神经网络算法能对土壤进行准确分类,对岩石进行准确分组,并准确预测岩石和土壤形变,对边坡的稳定性和路基沉降的预测准确性高,在岩土工程中有重要的应用价值。

自组织特征映射神经网络在岩爆分级预测中的应用

岩爆是地下工程一种常见的动力灾害。为了提高岩爆预测精度和探究岩爆参数之间的潜在关系,本文借签一种自组织特征映射神经网络(SOFM),构建了岩爆烈度分级预测的无监督学习模型。结合国内外岩爆判据,选取围岩最大切应力、单轴抗压强度、单轴抗拉强度、应力系数、脆性系数及弹性能量指数6个参数作为评价指标。将46个典型的岩爆案例输入到竞争层为2×2拓扑结构的SOFM模型中进行训练。结果表明:SOFM模型具有可靠的聚类能力,其正判率为90%;与现有的有监督学习模型进行了比较,验证了本文建立的SOFM模型的优越性;最后,对SOFM聚类结果分析发现,脆性系数对轻微、中等及强岩爆的影响权重均较大,选取的6个评价指标对强岩爆和中等岩爆区分并不明显。

自组织竞争人工神经网络在土壤分类中的应用

利用自组织特征映射网络 (SOM网络 )的聚类功能 ,应用 MATL AB 5 .3软件编程 ,对三江平原地区的 2 1个土壤采样进行了分类 ,并与有关文献的模糊聚类分析结果进行了比较 ,指出 SOM网络可以很好地反映、提取土壤样本间复杂的信息 ,分类效果较好 。

基于人工神经网络识别的特征自组织技术

特征识别是ＣＡＤ中一项重要内容，也是一类智能化程度较高的图形模式识别问题．神经网络的智能性和并行性使它成为特征识别的最新方法．在特征的扩展型面邻接图表达方法基础上，运用神经网络识别技术，提出并实现了特征的自组织技术，从而为特征造型和特征识别提供了一种新的有效方法．

基于人工神经网络的生物组织质谱成像分类与识别方法

生物组织质谱成像技术不仅能够展示组织的生物分子信息,而且能直观地显示分子空间分布,是当今生物质谱的研究热点。如何对生物组织质谱成像的数据进行基于生物分子的有效分类与识别是该领域关注的重要问题,特别对于病变组织与其邻近非病变组织的区分与识别和生物组织功能区域的划分与鉴定具有重要的意义。本研究开发出一种新的分类与识别方法。其流程是,首先进行质谱成像数据预处理,应用无监督的自组织特征映射网络区分组织样品区与非组织区域,提取组织区域的质谱数据,应用有监督的学习向量量化网络对已知类别数据进行学习训练,建立模型;应用模型对未知样品进行识别。应用本方法对6个膀胱癌患者的膀胱癌变组织与邻近非癌变组织的质谱成像数据进行分类与识别,结果显示,癌变组织判错率低于23.38%,而非癌变组织判错率低于9.08%,表现出较高的准确度;对3片邻近的小鼠大脑切片质谱成像数据进行白质与灰质区域划分,将中间的1片用于训练,两边的2片用于验证,结果显示,自组织特征映射网络的分类结果与学习向量量化网络的预测结果不一致率低于4%。本方法基于生物分子的质谱成像组织区域分类与识别,具有较高准确度和操作简便等优点,在临床医学研究领域有大规模的应用潜能。

基于人工神经网络的凝固组织晶粒尺寸预测

通过分析强脉冲电磁场作用下铝合金凝固组织晶粒尺寸实验数据 ,并结合人工神经网络 ,建立了强脉冲电磁场作用下铝合金凝固组织晶粒尺寸的人工神经网络BP算法模型。研究结果表明 ,用该神经网络模型进行模拟得到的计算结果和实验数据吻合得较好 ,因此这一方法可用来对强脉冲电磁场作用下的凝固组织晶粒尺寸进行预测和控制 ,为优化实验设计提供了简便。

自组织人工神经网络与聚类法在矿区沉积物分类中实用性对比

为确切判定淮北矿区新第三纪沉积物成因类型,分别用自组织人工神经网络(SOM)和聚类分析方法对宿南等矿区的19组样本进行分类.对比发现SOM的分类结果与实际情况更吻合.从机理和应用方式上探讨了两种方法的功能差异,证明SOM方法分类操作过程简便易行,具有残缺自动识别能力,分类结果唯一,在沉积物无监督成因分类中,优于聚类分析方法.

基于人工神经网络的2A70铝合金形变显微组织预测

在Gleeble-1500热模拟试验机上对2A70铝合金试样在变形程度为60％、变形温度为360℃～480℃、变形速率为0.01～1S^-1的条件下进行等温恒应变速率压缩试验及固溶处理。分析热变形参数对合金固溶后显微组织的影响，结果表明，2A70铝合金的晶粒尺寸随温度的升高而增大，随变形程度和速率的增大而减小。采用BP神经网络的方法预测2A70铝合金固溶处理后的平均晶粒尺寸，对于样本数据，模型的相对误差不超过±5％；对于非样本数据，模型的相对误差不超过±8％。

基于人工神经网络预测半固态组织

试验研究了机械搅拌制备镁合金半固态浆料获得半固态组织的影响因素,在正交实验基础上,利用人工神经网络理论,以搅拌速度,搅拌时间,静置时间,浇注温度四个因素为人工神经网络输入层的四个输入参数,以半固态组织的固相率和固相尺寸为输出层的两个输出参数,建立机械搅拌制备半固态浆料获得半固态组织的预测模型。研究结果表明,应用本模型预测结果与试验结果一致,可对半固态组织的制备进行预测,并且只要改变相应的输入参数,本模型就可以适用于各种半固态制浆工艺过程。

基于自组织竞争人工神经网络的抽油系统故障诊断

抽油系统的故障诊断技术一直是采油工程的一个重要研究课题。本文将自组织竞争神经网络应用于抽油系统的故障诊断中来实现示功图的自动聚类。自组织竞争神经网络具有良好的可训练性和分类能力,理想的泛化性能,是一种快速有效的分类方法,可用于抽油系统故障的实时诊断。

人工神经网络在组织网络化发展评价中的应用

通过对给定样本模式的学习,构建的三层神经网络模型能够获取评价专家的经验、知识、主观判断以及对目标重要性的权重协调能力,较好地保证评价结果的客观性。实例证明,人工神经网络方法应用于组织网络化发展评价是可行和有效的。

基于时间序列和神经网络的电力设备状态异常检测方法

为进一步提高电力设备异常检测方法对设备信息的利用率,发现更多潜在的设备故障,结合大数据分析技术和设备评估技术,提出了一种基于时间序列和神经网络的状态数据异常检测方法。通过时间序列自回归模型和自组织映射神经网络将连续的电力设备数据离散为单个序列,计算状态变量在时间轴上的转移概率,通过状态转移概率和聚类算法快速检测数据异常。通过实验对该方法的有效性进行验证。结果表明,该方法可以快速、有效地检测电力设备异常状态。

基于自组织方法的人工神经网络经济预测模型的建立

本文针对神经网络的结构特性,提出将自组织方法与神经网络相结合的思想,不仅解决了输入待定的神经网络输入维数难确定的问题,而且加快了网络的收敛速度,增强了网络的适应能力。并将新建立的模型应用到经济预测中,得出了比常规经济学模型更优的效果。

自组织人工神经网络在民航旅客盈利能力细分中的应用

目前采用的基于里程的旅客划分方法不能清晰区分旅客价值,应用Kohonen T自组织特征映射的人工神经网络模型将反映旅客盈利能力的多维行为特征属性数据以有序的方式映射到对旅客盈利性判别等级的低维空间,形成对旅客正确识别的一种拓扑意义的有序图。试验结果表明,此模型对客户细分识别成功率较高,准确率可达90.8%。

关于人工神经网络的哲学思考——兼谈人工神经网络的自组织理论

本文在简单介绍人工神经网络的研究成果的基础上,探讨了人工神经网络的自组织功能,并运用马克思主义的基本原理和方法,从普遍联系。

人工神经网络──模糊控制(ANN-FC)与自组织理论──兼谈控制理论的发展过程

人工神经网络模糊控制（ＡＮＮ－ＦＣ）与自组织理论兼谈控制理论的发展过程田丽曹安照１引言近年来，人工神经网络（ＡＮＮ）以特有的信息处理能力和独到的解算能力引起人们极大的关注，呈现出广阔的工程应用前景。人工神经网络有如下几个特点（１）以分布方式存贮信息，...

基于SOM特征聚类及RBF神经网络的电力负荷预测方法研究

为了提高电力系统负荷预测的精度,维护电力系统运行的安全稳定性,提出一种基于特征向量的自组织映射聚类和改进的径向基函数神经网络相结合的电力负荷预测模型。通过提取能够体现每日电力负荷特性的特征向量,对样本进行聚类,采用具有相似特征的数据作为神经网络的训练样本,提高了样本规律性。采用粒子群算法(particle swarm optimization,PSO)修正神经网络粒子群速度及位置,以克服梯度下降、局部最优等问题对网络预测精度的影响。基于某地配电网电力负荷数据,验证了所提模型的有效性及良好的适应性。

人工神经网络技术与肿瘤标志物联合检测在肺癌组织分型中的价值(英文)

目的 :通过 4项肿瘤标志物联合检测 ,运用人工神经网络技术 ,提高小细胞肺癌 (SCLC)与非小细胞肺癌(NSCLC)正确判别率。方法 :用放射免疫法测定了 5 1例肺癌患者血清癌胚抗原 (CEA)、糖类抗原 12 5 (CA12 5 )、促胃液素、神经元特异性烯醇化酶 (NSE)水平 ,采用人工神经网络技术 ,探讨了 4项肿瘤标志物在肺癌组织分型中的应用价值。结果 :SCLC患者促胃液素、NSE水平明显高于NSCLC患者 ,而CEA、CA12 5水平却低于非小细胞肺癌患者。人工神经网络技术在判别SCLC与NSCLC类型中 ,总的符合率为 87.5 %。结论 :该 4项肿瘤标志物联合检测在肺癌组织分型方面可为临床提供有价值的参考资料 ,同时表明人工神经网络技术在肺癌组织分型中具有一定的实用价值。