基于结构可增长自组织特征映射图的地图绘制

针对机器人环境识别问题,研究其工作环境描述与实现过程,提出一种环境拓扑地图建立的新方法。该方法以自组织特征映射图的工作算法为基础,提出GSOM(Growing Self-organizing Map)算法,该算法具有增长特性,通过不断增加新的神经元实现网络规模的增长,从而满足描述环境特征的需要,建立环境拓扑地图;仿真试验表明GSOM算法的正确性,可以在样本数未知情况下,确定描述环境特征的最优SOM神经元数量,以少数SOM图神经元分布描述具有大量特征信息的环境结构,建立更能准确描述环境的拓扑地图。

一种高效的自组织特征映射图的初始化方法

自组织特征映射图算法(SOFM,self-organizing Feature Map)在模式识别中有着广泛的应用。本文首先讨论了网络结构的初始化设置对自组织特征映射图构造的影响以及加速SOFM网络学习训练过程的主要方法,然后提出一种从边界到中心的自组织特征映射图初始化方法,该方法形成的自组织特征映射图能够真实地表示输入样本内在关系,大大减少学习训练次数,从而有效改进了传统的SOFM算法。

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。

多层自组织特征映射图象编码

本文提出了一种采用多层自组织特征映射MLSOFM实现矢量量化的方法。通过实验表明,在以相同压缩比对实际图象进行压缩时,采用MLSOFM比SLSOFM和JPEG在多项性能指标(包括NMSE、NCC、PMSE、IF)上总体性能要更优。

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.

基于自组织特征映射神经网络的矢量量化

近年来 ,许多学者已经成功地将 Kohonen的自组织特征映射 (SOFM)神经网络应用于矢量量化 (VQ)图象压缩编码 .相对于传统的 L BG算法 ,基本的 SOFM算法的两个主要缺点是计算量大和生成的码书性能较差 ,因此为了改善码书性能 ,对基本的 SOFM算法的权值调整方法作了一些改进 ,同时为了降低计算量 ,又在决定获胜神经元的过程中 ,采用了快速搜索算法 .在将改进的算法用于矢量量化码书设计后 ,并把生成的码书用于图象的压缩编码 .测试结果表明 ,改进的算法使码书设计的计算量得到明显的降低 ,而且码书的性能得到了提高 .相对于基本算法 ,码书设计的计算时间减少了约 75 % .在图象编码中 ,不论是训练集内的图象 ,还是训练集外的图象 ,相对于基本算法 ,编码质量均提高了 0 .80 d B～ 0 .90 d B.

汽车尾气在自组织特征映射下的排放水平评估方法

针对汽车尾气的非线性数据聚类问题,提出一种在自组织特征映射(Self-Organizing Map,SOM)下的聚类方法来评估汽车的排放水平。根据汽车在城区真实环境中的行驶速度设置SOM神经网络中的神经元个数,通过神经元之间拓扑相关的学习方式,自动形成具有数据原始属性的有序映射,实现不同排放水平的尾气数据聚类。为避免网络训练过程中出现训练死区的现象,竞争学习采用弹性邻域半径代替固定邻域半径,自适应地缩放学习区域。以某轻型车的THC和CO2排放数据为对象的数值试验结果表明,采用弹性邻域半径的SOM神经网络的聚类准确性优于采用固定邻域半径的SOM神经网络,能有效评估汽车尾气排放水平。

基于自组织特征映射的神经网络的矢量量化

本文设计了一种神经网络矢量量化编码方法———基于自组织特征映射的神经网络的矢量量化 .利用Kohonen网络的自组织聚类功能 ,设计矢量量化器码书 ,实现矢量量化 .该神经网络速度快 ,效率高 ,适用于语音和图象数据压缩 ,并对SOFM算法应用于图象矢量量化进行系统的研究 .

基于SOM和SVM的遥感图像目标识别

提出了一种基于自组织特征映射 (SOM)神经网络和支撑矢量机 (SVM)相结合的遥感图像目标识别方法。该方法首先利用SOM对目标进行聚类 ,然后应用SVM方法对其进行分类识别。最后将该方法应用于二值遥感图像的目标识别 ,与仅用支撑矢量机方法的识别结果进行了比较 ,结果表明 ,这一方法对二值遥感图像目标具有很好的分类识别效果 ,且训练时间大幅度缩短。

基于SOM映射网络的人群流量预测在节能照明中的应用

通常比较常见的照明控制都是事先设定好的时间控制模式,不可调节且也不能满足精细化控制以及智能化的要求。运用SOM自组织映射网络将人流量历史数据进行特征提取并分类,再将各类数据结果运用BP神经元网络方法进行预测,并将预测结果结合照度需求,不同等级人群流量给予不同等级的照度输出,最后在节能方面也与传统照明方式做了对比。实验结果表明,SOM-BP神经元算法预测下的短期人流量预测数据比BP算法精度更高,结合照明调节后在节能方面具有更好的效果,为照明系统提供了新的节能方案。

一种桌面机器人及其自主地图绘制算法

利用嵌入式技术设计了一种桌面机器人系统,机器人体积不到200 cm3,系统利用全局摄像机采集图像,通过无线通信组件对机器人定位导航,从而进行面向地图绘制的智能行为研究;从桌面机器人系统采集到地图信息,并生成神经网络训练样本,利用可增长自组织特征映射图GSOM(Growing Self-organizing Map)的地图绘制算法,通过不断增加新的神经元实现网络规模的增长,从而生成以少数SOM图神经元分布描述环境特征信息的拓扑地图;在机器人系统上进行了基于GSOM模型的自主地图的绘制实验,并利用所得拓扑地图进行了准确的机器人导航实验。实验结果表明基于GSOM的自主地图绘制方法可行,机器人系统表现出类似生物的自主智能行为。该方法可以应用于大环境下机器人的自主地图测绘与导航。

基于改进的SOM神经网络在水质评价分析中的应用

随着人们对水资源环境的日益重视,各种水质评价方法层出不穷。传统的水质评价方法多采用精确的数学模型进行描述,无法很好的反映水环境中存在的复杂非线性关系,从而影响整体评价结果。因此,本文提出采用一种改进的自组织特征映射神经网络(SOM)方法来进行水质评价,利用SOM神经网络能在无监督、无先验知识的状态下对样本进行自组织、自学习,实现对样本的评价与分类这一特点。通过引入主成分分析,解决SOM神经网络处理高维和相关性强的指标时出现的问题,提高网络收敛速度和聚类准确性。仿真结果表明:改进后的SOM神经网络能够直观准确地评价水体质量,反映水质整体状况。

SOM人工神经网络在客机零部件故障诊断中的应用研究

现代客机在使用过程中不可避免地会发生各种故障 ,故障诊断对保证飞行安全十分重要 ,本文将基于概率的数学方法与专家经验相结合对其进行故障诊断。Kohonen的自组织特征映射 (Self-organizing map,SOM)人工神经网络在输出上可反映出输入学习样本的概率密度分布 ,且无需知道样本的概率分布的先验知识 ,兼具函数逼近功能。本文将 SOM引入这一领域 ,用于计算飞机零部件发生故障的概率 ,以及实现数学方法计算结果与专家经验的结合 ,实际应用说明了该方法的可行性。

基于SOM模型的中国耕地压力分类研究

根据耕地利用在经济、社会和生态方面面临的压力状况,以指标构建原则为基础,设计一套压力大小量化的指标体系,引入具有较强的聚类和容错能力的自组织特征映射(SOM)神经网络模型,在说明SOM网络模型和算法的基础上,应用自组织特征映射网络的聚类功能,以MATLAB语言构建SOM网络模型,对我国的31省(市、自治区)耕地利用压力大小进行了分类。结果显示我国耕地压力的区域差显著且与经济地域差异有高度的一致性,表明经济发展是耕地压力的主要来源。选取大样本的神经网络训练得到的结果和现实的一致也表明,自组织特征映射模型是一种适用的耕地压力区域分类新方法。

SOM神经网络和C-均值法在负荷分类中的应用

负荷时变性和分散性已经成为制约负荷模型推广应用的主要因素,而负荷特性分类则是解决这个问题的有效途径。文中提出基于SOM神经网络的C-均值聚类算法的新的负荷分类方法:以负荷模型参数作为负荷动态特性分类特征向量,应用SOM神经网络对初始训练样本进行分类,将获得的聚类数目和各类中心点作为C-均值算法的初始输入进一步聚类。最后通过动模实验的分类结果表明该方法可自动获取分类数,应用于负荷特性分类研究中具有较强的实用性和有效性。

基于SOM和HMM结合的刀具磨损状态监测研究

针对端面铣刀磨损状态的识别问题,提出了基于自组织特征映射神经网络和隐马尔可夫模型结合的方法。该方法对铣削力信号进行预处理和相关特征提取,用自组织特征映射对信号特征矢量进行量化编码,所得码本作为隐马尔可夫模型的输入向量,分别训练三个不同磨损阶段的隐马尔可夫模型来对未知的刀具磨损状态进行监测与识别。实验结果表明,该方法能够对刀具磨损状态进行准确的识别,对自动化生产具有现实意义。

一种基于SOM的中文Web文档层次聚类方法

近年来Internet迅猛发展 ,网上的信息急剧膨胀 ,如何高效、高质量地检索到用户所感兴趣的中文信息资源 ,是当前我国Internet资源发现的热点问题之一。本文将神经网络聚类方法之一SOM(Self OrganizingMap ,自组织特征映射 )的思想和方法引入中文Web搜索引擎 ,首先探讨了其网络模型和算法 ,而后提出一种聚类用户所感兴趣的中文Web文档的层次聚类方法 。

一种自动抽取图像中可判别区域的新方法

图像分割是图像处理中的一个难题 .为了自动抽取图像中的可判别区域 ,提出了一种基于自组织图归约算法的区域抽取新方法 .首先 ,利用包括颜色、纹理以及位置在内的多模特征抽取算法 ,原始图像被转换成特征图 ;接着 ,通过自组织映射学习算法 ,特征图被映射成自组织图 ;然后 ,对自组织图实施归约算法得到一族约简的自组织图谱系 ;最后 ,利用一个综合的聚类有效性分析指标从约简的自组织图谱系中得到一个最优约简的自组织图 ,以此实现图像区域的分割 .新方法的有效性通过两个评价实验得到了验证 .

一般化的灰SOM模型及其性能评估

自组织特征映射是Kohonen提出的一种人工神经网络模型 ,它能把高维的信息数据以有序方式映射到低维空间上 ,形成一种拓扑意义上的有序图 .但其权值的调整仅考虑了学习率及输入模式与获胜神经元及其邻域 ,却忽略了输入模式分量与全体参与竞争的神经元权值向量间的某种相关关系 .Hu等人利用灰关系系数 (GRC)的描述方法显式地刻画这种关系 .尽管如此 ,但GRC仍忽略了输入模式与所有参与竞争的神经元权值间的整体描述关系 .该文通过在GRC中引入该整体关系 ,提出了一个一般化的灰关系模型G2 SOM ,并将GSOM作为其特例 ,进而侧重就三种特殊的函数关系进行了性能评估 .最后 ,通过实验验证了G2 SOM的有效性与可行性 .

SOM神经网络在卫星电源系统故障诊断中的应用

研究了自组织特征映射 (SOM)神经网络的结构及学习算法 ,提出了利用SOM神经网络对输入样本的“聚类”作用 ,实现对故障模式的分类 ,并据此对故障进行诊断的新方法。通过对某卫星电源系统故障的诊断实例 ,验证了该方法是有效可行的 ,能对卫星电源系统的故障进行准确的实时诊断。