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制造服务模块动态创建方法

针对商业生态环境中制造服务运作的复杂性,建立了制造服务模块化理论模型。该模型包括制造服务模块的内涵和动态创建过程,初步实现了制造服务模块动态创建,为制造服务模块化奠定基础。应用突变理论构建了制造服务模块的产品度和服务度概念,并建立了制造服务模块测度模型及算法。在此基础上,提出制造服务模块动态聚类的自组织映射网络策略。通过制造服务模块动态聚类的示例,验证了制造服务模块测度模型的有效性,以及基于神经网络和模块化技术建模的优越性。

基于自增长型多级自组织映射网络的模式识别

以自组织映射网络为主要研完对象,描述了自组织映射网络的基本模型。在传统自组织映射网络的基础上,提出了基于自增长型多级自组织映射网络的模式识别方法,能够解决传统自组织映射网的静态结构带来的诸多问题,如在进行训练前必须预先确定网络的模型和神经元数目及其排列方式,若一次分类不准确将严重影响分析结果,等等。而且这种多组结构,还能将输入数据中存在的分级信息直观地表示出来,对于高维数据的分析尤其有利,因此自增长型多级自组织映射网络对大规模模式识别的研完一定会产生极大的促进作用。

基于自组织映射网络的峰值负荷预测方法

应用扩展自组织映射网络研究了电力系统峰值负荷预测问题。在传统的Kohonen自组织映射(SOM)网络的学习算法的基础上,为了提高电力系统峰值负荷预测的精度,进一步提出了一种扩展的自组织映射算法。在这个SOM网络中,除了权矩阵外,还有一个输入输出对的局部梯度(Jocobian)矩阵也被存储在神经元中。这样,在输出空间中梯度信息围绕输出权值产生了一个一阶扩展,便可得到一个输出的改进估计值。同时,提出了一个Jocobian矩阵的生成算法。最后采用纽约市的电力负荷数据为研究对象,证明了所提出方法的有效性。

一种改进型自组织映射网络的医学图像压缩方法

文章提出一种新的基于自组织映射网络的医学图像压缩算法。该算法在现有压缩算法的基础上改进了学习速率因子和获胜神经元算法的求法。学习速率因子的设计考虑了获胜神经元的选择频率,而在调整神经元权值时综合了本节点和相邻节点的影响。改进型自组织映射网络算法通过选择赢节点的频率来反映赢节点和输入加权调整的向量值之间的误差,同时它通过当前的权重和前一个的权重的改变比例来调整权重。实验结果表明该方法提高了医学图像的编码效率和重建质量。

基于生长分层自组织映射网络的岩性识别模型

针对复杂类型油气储层的岩性识别难的问题,提出了一种新的基于生长分层自组织映射网络的岩性识别模型,并对金衢盆地金66测井数据进行仿真试验。结果表明,它是一种操作简便、易于实现的模型;既保留了自组织映射网络的优点,又具备其自身的优势;不但能对输入数据进行正确的聚类,而且能将输人数据中的层次继承关系直观地展现出来,从而可进一步提取出输入数据的共性与特性,并有助于对高维数据的深层次分析。在复杂的油气藏领域中可以应用生长分层自组织映射网络进行岩性识别,具有广泛的应用前景。

基于自组织映射网络的故障诊断推理方法研究

从故障诊断基本形式出发,结合飞机刹车系统故障的种类特点,研究了基于Kohonen自组织映射网络理论的故障推理模型,并且应用到起落架刹车系统故障诊断中。该方法只需选择足够的、具有代表性的故障样本训练神经网络,他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,就可以判断出发生故障的类型。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。

基于改进的自组织映射网络的遥感影像融合研究

多源遥感影像融合是富集遥感海量数据的最有价值的技术手段。本文给出了一种新的基于改进的自组织映射网络的遥感影像融合模型。选择浙江绍兴为典型研究区 ,以LandsatTM( 1 0m)与SPOT 4Pan ( 1 0m)融合数据为例 ,进行了融合实验与分析。实验结果表明 ,应用基于改进的自组织映射网络模型进行融合 ,分类融合结果较好 ,较基于基本自组织映射网络的影像融合分类精度提高约 8%。

基于自组织映射网络的中老年人慢性病关联及共病模式可视化聚类分析

目的采用可视化聚类分析方法探究我国中老年人群中常见慢性病之间的关联关系及共病模式。方法采用中国健康与养老追踪调查2015年数据,提取年龄≥45岁受调查人群的年龄、性别、居住地、14种慢性病患病及治疗信息,纳入相关信息均完整的研究对象18542例。采用自组织映射(SOM)神经网络与K-Means结合的两步聚类算法,对我国中老年人群慢性病共病模式进行可视化聚类分析。结果患有两种或两种以上慢性病者8044例,共病患病率为43.38%,其中≥60岁老年人群的共病患病率达52.28%。在14种慢性病中,患病率居前三位的分别是关节炎或风湿病(33.02%)、高血压病(31.07%)、胃部疾病或消化系统疾病(23.60%);其中肝脏疾病的未治疗率达56.99%。所有共病患者被划分为4类人群:第1类人群慢性肺部疾患的患病率达97.72%,55.05%罹患关节炎或风湿病;第2类人群高血压病患病率为98.21%;第3类人群血脂异常的患病率高达99.49%,且91.72%患有高血压病;第4类人群73.39%患关节炎或风湿病,且68.11%患有胃部疾病或消化系统疾病。女性和城市人群的共病模式略有不同。结论我国中老年人群的慢性病负担严重、治疗欠佳,不同性别、年龄和城乡人口的共病模式有一定差异。基于可视化聚类方法得到的共病模式结果,对促进多病共防及降低慢性病共病负担有较高的参考价值。

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。

基于自组织映射网络的电动机故障分类识别

电动机作为一种主要的驱动设备广泛地应用于各个工业领域,如何及时确定电机故障原因、类别及故障严重程度,是电机可靠运行的重要保障。SOM神经网络采用的是无教师学习的自学习方式。

基于模糊自组织映射网络聚类的案例库维护

针对CBR系统案例库的冗余问题,提出了一个基于自组织映射网络(Self-Organizing Map,SOM)聚类技术的案例库维护方法,首先利用自组织映射网络的可视化特性显示输入数据的大致分布,预估聚类个数,然后利用模糊自组织映射聚类算法对案例库案例进行聚类,最后在聚类基础上构建准案例库。并将该方法应用于水平定向钻产品的案例库维护,结果表明,准案例库规模比原案例库小,同时可以代表原案例库,达到案例库维护目的。

结合自组织映射网络及三角形算法的星图识别方法

三角形方法是最经典且应用最广的星图识别方法之一,但是存在搜索范围大、匹配冗余、抗噪能力弱等问题。将神经网络技术应用到星图识别过程中,结合自组织映射网络(SOM)优秀的分类能力和三角形算法可靠的角距匹配能力,提出了一种新的识别方法。该方法基于邻近星的分布来构建每颗导航星的特征向量,将其作为SOM网络的输入向量,通过训练得到具有分类识别功能的网络及相应的三角形库。识别阶段,输入待识别星的特征向量,网络输出识别类,在该类对应的三角形库中应用三角形算法查找匹配三角形,完成星图识别。试验发现该方法减小三角形搜索范围、实现快速匹配的同时,提高了识别系统的抗噪能力,在全天识别过程中平均识别时间低于5ms,识别率在噪声标准差为0.025时仍高达99%。

使用自组织映射网络识别城市道路主要结构

城市道路中主要结构的识别在路网综合、多尺度路网建模、导航等方面起着关键作用。本文提出一种使用自组织映射(SOM:the Self-Organizing Map)网络来同时识别城市道路中多行道和立交桥的方法。首先计算道路网眼的几何形态特征指标,然后利用SOM对道路网眼进行分类,根据得出的网眼和道路的空间关系来提取路网中的主要结构。实验结果表明,该方法能有效地识别出城市道路中的多行道和立交桥。

自组织映射网络在客户分类中的应用研究

钢铁行业激烈的市场竞争使得客户资源争夺成为企业成功的关键因素,正确的客户分类能帮助企业有效分配营销资源,针对性地加强客户联系,改善客户关系,增强客户忠诚度,使企业增强核心竞争力。基于此,本文利用自组织神经网络研究客户分类问题,以RFM为分析变量建立客户分类模型,将客户进行分类。得到每类客户具体的相对价值大小,为企业准确认识客户价值,合理分配资源提供依据。

基于自组织映射网络和遗传算法优化Elman神经网络的全网短期负荷预测模型

电网数据具有海量、高维的特点,现有的短期电力负荷预测模型无法提取用户的用电习惯。提出一种基于负荷聚类的全网短期负荷预测模型,首先采用自组织映射网络对全网负荷进行聚类,将不同特性的用户负荷曲线作为子网;然后引入遗传算法对Elman神经网络的参数进行寻优,得到针对不同子网负荷特性的差异化预测网络;最后基于负荷综合稳定度得到全网负荷预测结果。将该集成模型用于某市电网进行算例仿真,预测结果表明,所提方法比传统预测方法的准确率更高,同时适用于部分子网数据缺失而需要得到全网结果的情况。

基于自组织映射网络的波达方向估计

基于自组织映射网络学习算法来实现聚焦过程的方法能够较好地改善估计精度、估计分辨率等性能;并通过与基于逆传播学习算法的聚焦方法进行比较实验,充分显示该方法的优良特性。

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。