一种基于融合特征聚类和随机配置网络的轴承剩余寿命预测方法

针对轴承剩余寿命(remaining useful life,RUL)预测中故障始发时刻(first predicting time,FPT)基于人为主观选择以及预测滞后带来的维护风险的问题,提出了一种基于融合特征和随机配置网络(stochastic configuration networks,SCNs)的轴承剩余寿命预测方法。首先,采用互补集合经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)对原始轴承水平振动信号进行分解,再提取其时域、频域信号,构建融合特征。最后,使用小波聚类划分健康状态,找到合适的FPT,并结合能反应轴承退化的特征构建健康数据集,通过SCNs网络离线建模进行预测,并根据拟合曲线的斜率以及RMSE指标对预测结果进行校正。通过实验分析,所提方法的综合得分高达0.83,误差百分比的平均绝对误差(mean absolute deviation,MAD)和标准偏差(standard deviation,SD)分别为5.26和3.38;与其他预测方法相比,本文所提方法有较高的预测精度。

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。

基于时空特征聚类和双层动态图卷积网络建模的短期净负荷预测

净负荷是实际负荷与光伏出力之差,针对净负荷中实际负荷强波动性与光伏出力强随机性相互耦合、表后光伏出力不可见等特点导致准确预测困难的问题,提出了一种基于时空特征聚类和双层动态图卷积网络建模的短期净负荷预测方法。首先,通过提取用户净负荷的日内时间特征、长期趋势特征和空间关联特征建立净负荷子集群聚类模型;其次,以子集群为图节点构建考虑“负荷-光伏”双维相关性的图结构,使其能够同时反映负荷和光伏出力特性;最后,引入净负荷总节点和动态邻接矩阵,构建通过长短期记忆神经网络连接的双层动态图卷积模型,得到净负荷预测结果。基于悉尼Ausgrid实际净负荷数据设计的消融实验结果表明,所提时空特征聚类方法和双层动态图结构分别使净负荷预测结果的均方根误差降低了13.44 kW和7.55 kW。未来将进一步拓展预测尺度,为电网保供决策提供更多信息支撑。

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。

基于特征聚类和等距映射的无监督特征选择算法

为了提高无标签场景下特征选择的准确率和稳定性,提出一种基于特征聚类和等距映射的无监督特征选择算法。特征聚类将相似性较高的特征聚成一类,然后结合等距映射和稀疏系数矩阵定义新的特征得分计量函数。该函数对各特征簇中的特征进行打分,选择出每个类簇中得分最高的代表特征,构成特征子集。在14个广泛应用的数据集上的实验结果表明:本文所提算法能够选择出具有强分类能力的特征,且算法具有很强的泛化性。

大数据消冗技术下虚拟网络聚类特征层次布局算法

针对在虚拟网络布局过程中,存在大量重复特征与相关性较少的特征,影响其布局效率的问题,提出了大数据消冗技术下虚拟网络聚类特征层次布局算法。利用加权无向图方式建立虚拟网络图,通过社团划分虚拟网络社团结构,在保持原有特征不变的前提下,最大限度消除虚拟网络聚类特征,得到相关性较大特征;根据库伦力的斥力增加各社团之间距离,采用胡克定律的引力缩小网络节点与中心点之间距离,结合共轭梯度(FR:Flecher-Reeves)算法调整虚拟网络聚类特征层节点的斥力与引力之间关系,实现层次布局算法。实验结果表明,所提算法能更加清晰展现出各社团内部结构特征,且布局用时最短。

基于自组织聚类和JS散度的RBF神经网络

针对如何确定径向基函数(RBF)神经网络隐层结构这一问题进行研究,提出一种基于自组织聚类和JS散度的RBF神经网络。为解决K-means算法对初始值敏感的问题,提出基于距离的自组织初始聚类,将戴维森堡丁(DBI)指数作为准则函数,进一步提高聚类精度,得到代表数据集分布特性的隐节点;为解决隐节点冗余和相似的问题,提出一种基于敏感度分析的隐节点删除方法和基于詹森-香农(JS)散度的隐节点合并方法。仿真结果验证了该算法的有效性。

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。

基于K-means聚类和特征空间增强的噪声标签深度学习算法

深度学习中神经网络的性能依赖于高质量的样本,然而噪声标签会降低网络的分类准确率。为降低噪声标签对网络性能的影响,噪声标签学习算法被提出。该算法首先将训练样本集划分成干净样本集和噪声样本集,然后使用半监督学习算法对噪声样本集赋予伪标签。然而,错误的伪标签以及训练样本数量不足的问题仍然限制着噪声标签学习算法性能的提升。为解决上述问题,提出基于K-means聚类和特征空间增强的噪声标签深度学习算法。首先,该算法利用K-means聚类算法对干净样本集进行标签聚类,并根据噪声样本集与聚类中心的距离大小筛选出难以分类的噪声样本,以提高训练样本的质量;其次,使用mixup算法扩充干净样本集和噪声样本集,以增加训练样本的数量;最后,采用特征空间增强算法抑制mixup算法新生成的噪声样本,从而提高网络的分类准确率。并在CIFAR10、CIFAR100、MNIST和ANIMAL-10共4个数据集上试验验证了该算法的有效性。

基于改进K-means数据聚类算法的网络入侵检测

随着入侵手段的不断更新和升级,传统入侵检测方法准确率下降、检测时间延长,无法满足网络防御要求。为此,提出一种经过改进K均值(K-means)数据聚类算法,以应对不断升级的网络入侵行为。先以防火墙日志为基础转换数值,然后基于粒子群算法求取最优初始聚类中心,实现K-means数据聚类算法的改进;最后以计算得出的特征值为输入项,实现对网络入侵行为的精准检测。结果表明:K-means算法改进后较改进前的戴维森堡丁指数更小,均低于0.6,达到了改进目的。改进K-means算法各样本的准确率均高于90%,相对更高,检测时间均低于10 s,相对更少,说明该方法能够以高效率完成更准确的网络入侵检测。

一种量子自组织特征映射网络模型及聚类算法

提出一种量子自组织特征映射网络模型及聚类算法。量子神经元的输入和权值均为量子比特,输出为实数,量子自组织特征映射网络由输入层和竞争层组成。首先将聚类样本转换成量子态形式并提交给输入层,完成聚类样本的输入;然后计算样本量子态与相应权值量子态的相似系数,提取聚类样本所隐含的模式特征,并对其进行自组织,在竞争层将聚类结果表现出来。采用量子门更新量子权值,分无监督和有监督两个阶段完成网络的训练。仿真实验结果表明该模型及算法明显优于普通自组织特征映射网络。

一种基于自组织特征映射网络的聚类方法

针对传统聚类算法不能有效地处理大数据集和高维数据集的问题,提出了一种基于自组织特征映射网络的聚类方法。该方法能将任意维输入模式在输出层映射成一维或二维离散图形,并保持其拓扑结构不变,而且无需监督,能自动对输入模式进行聚类。给出了应用该方法的具体步骤和加速自组织过程的若干改进方法,通过仿真实验证明该算法的有效性。

基于遗传算法和自组织特征映射网络的文本聚类方法

自组织映射(SOM)算法作为一种聚类和高维可视化的无监督学习算法,为进行中文Web文档聚类提供了有力的手段。但是SOM算法天然存在着对网络初始权值敏感的缺陷,从而影响聚类质量。为此,引进遗传算法对SOM网络加以优化。提出了以遗传算法优化SOM网络的文本聚类算法(GSTCA);进行了对比实验,实验表明,改进后的算法GSTCA比SOM算法在Web中文文档聚类中具有更高的准确率,其F-measure值平均提高了14%,同时,实验还表明,GSTCA算法对网络初始权值是不敏感的,从而提高了算法的稳定性。

基于PSO-KM聚类分析的通信网络恶意攻击代码检测方法

恶意代码的快速发展严重影响到网络信息安全,传统恶意代码检测方法对网络行为特征划分不明确,导致恶意攻击代码的识别率低、误报率高,研究基于PSO-KM聚类分析的通信网络恶意攻击代码检测方法;分析通信网络中恶意攻击代码的具体内容,从网络层流动轨迹入手提取网络行为,在MFAB-NB框架内确定行为特征;通过归一化算法选择初始处理中心,将分类的通信网络行为特征进行归一化处理,判断攻击速度和位置;实时跟进通信网络数据传输全过程,应用适应度函数寻求恶意代码更新最优解;基于PSO-KM聚类分析技术构建恶意代码数据特征集合,利用小批量计算方式分配特征聚类权重,以加权平均值作为分配依据检测恶意攻击代码,实现检测方法设计;实验结果表明:在文章方法应用下对恶意攻击代码检测的识别率达到95.0%以上,最高值接近99.7%,误报率可以控制在0.4%之内,具有应用价值。

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。

基于自组织特征映射神经网络的聚类分析

在深入研究自组织特征映射(Self-organizing Feature Mapping,SOFM)神经网络的结构和聚类算法的基础上,阐述了SOFM网络的建立方法。以随机二维向量的聚类为例,利用所建立的SOFM网络模型对输入的随机二维向量进行聚类,并着重研究了输出层神经元拓扑结构、训练步数对聚类结果的影响以及在相同拓扑结构条件下,SOFM网络模型的权值向量的调整过程。仿真结果表明:在输出层神经元节点形式为六边型条件下,输出层神经元的个数越多,SOFM网络模型的聚类结果就越准确;在相同的拓扑结构条件下,训练步数越大,SOFM网络聚类结果越准确,但过大的训练步数对于聚类结果的影响甚微。

自组织特征映射神经网络的区域经济发展聚类分析

自组织特征映射(SOM)神经网络是无教师自组织、自学习网络,具有优良的数据聚类功能。基于选取的区域经济发展评价指标,对2006年我国31个省(地区)的综合经济实力进行聚类分析。结合主成分得分对聚类结果综合评价,实证效果较好。

基于模糊C均值聚类和概率神经网络的PEMFC故障诊断方法研究

为解决质子交换膜燃料电池电堆的故障分类问题,提出一种基于模糊C均值聚类和概率神经网络的故障诊断新方法。首先基于修正后的燃料电池电堆Fouquet等效电路模型,并结合电堆阻抗谱实验数据,得到电堆的正常、水淹、膜干和氧饥饿4种工作状态与电路模型参数的对应关系,进而提取合适的故障特征量作为聚类算法的特征输入。然后,利用模糊C均值聚类算法对故障样本进行聚类,形成标准聚类中心,并在此基础上,采用概率神经网络算法对故障样本实现多故障分类,有效剔除奇异数据并提高模型分类的正确率。最后,对200组实验数据进行实例分析,并与支持向量机和K最邻近方法进行对比,结果表明所提方法能对4种电堆工作状态进行快速识别,分类准确率达98.33%,验证了所提算法的有效性。

自组织特征映射神经网络及其在地层压力剖面聚类中的应用

文章分析了Ｋｏｈｏｎｅｎ的自组织特征映射神经网络的基本特征，讨论了实际应用的技术问题，并给出了算法。将该方法应用于川东地区地层压力剖面分类，结果令人满意。

基于自组织特征映射神经网络的聚类分析的应用

介绍了自组织特征映射神经网络结构和算法,并将此神经网络用于葡萄酒化学成分产地的聚类分析,实验结果表明:该网络的聚类准确率达到了87%,具有一定的科学性和适用性。