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。

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。

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。

基于自组织映射的梅雨期西太副高分型及降水特征研究

为了研究梅雨期西太副高(Western Pacific subtropical high,WPSH)的变化特征及其对梅雨降水的影响,利用1951—2016年西太副高监测指数,采用自组织映射(self-organizing map,SOM)方法对梅雨期西太副高进行聚类分析,得到9种SOM分型,并利用中国1 km分辨率逐月降水量数据集和中国雨季历年信息表进行不同西太副高分型下梅雨降水的特征分析。结果表明:9种梅雨期西太副高分型对应着多种不同的梅雨降水特征,纬向上,当西太副高偏东时,梅雨区降水强度偏低,反之则强度偏高。经向上,在西太副高主体位于中国陆地的前提下,脊线指数高于25°N时,梅雨区大部被副热带高压控制,整体降水偏少且有小幅度南少北多态势;脊线指数偏低时,副高控制梅雨区南部边缘或更南地区,水汽输送导致降水整体偏多。得到了不同类型副高与梅雨降水特征的对应关系,说明SOM方法能较好地对副热带高压等气象要素做出客观分型,并指导开展气候现象的相关性研究。

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。

基于特征子空间的SOM天基状态检测算法

在天基信息网中,资源监控系统采集到的性能指标数据量大、冗余特征较多,导致状态检测准确率低、检测时间长等问题。针对以上问题,提出了基于特征子空间的SOM状态检测算法。将特征提取算法嵌入到SOM神经网络模型中,使得网络在训练的同时提取每个类别对应的属性特征,构成状态对应的特征子空间。并利用状态的特征子空间计算特征对于类别的贡献度,优化SOM神经网络的目标函数,进而提高模型对卫星计算任务执行单元状态检测的速度与准确率。仿真了在不同状态检测模型下的检测准确率、检测灵敏度以及检测时间。结果表明,提出的状态检测模型在检测准确率、检测灵敏度以及检测时间等方面都具有较好的性能。

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。

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。

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。

自组织特征映射神经网络原理和应用研究

根据耕地利用在经济、社会和生态方面面临的压力状况,以压力状态响应框架为基础,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(self-organizing mapping,SOM)神经网络模型,在说明SOM网络模型和算法的基础上,应用SOM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,并结合相关文献的研究成果阐述耕地压力的地域差异原因.结果显示我国耕地压力的区域差异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,SOM模型是一种适用的耕地压力区域分类新方法.

庞泉沟自然保护区华北落叶松林的自组织特征映射网络分类与排序

自组织特征映射网络(SOM)是新近引入植物生态学的分析方法,对复杂问题和非线性问题具有较强的分析和求解能力。研究应用SOM分类和排序研究了庞泉沟自然保护区华北落叶松林。研究结果表明,SOM将120个样方分为7个植物群落类型,分类结果具有明确的生态意义;样方和物种在SOM训练图上呈现一定规律的分布;7个群落类型各有其分布范围和界限,揭示了群落间的生态关系。在此基础上,通过引入一种在SOM训练图上可视化环境因子梯度的方法,能够较好地完成样方、物种和环境因子相互关系的分析,揭示了海拔是影响该区华北落叶松林生长和分布的最主要因子。生态分析表明SOM分类和排序是一种有效的梯度分析方法,适用于表征生态特征和探索群落和环境相互关系的研究。

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。

自组织特征映射网络在北京松山自然保护区山地草甸数量分析中的应用

采用自组织特征映射网络(SOM)对松山自然保护区山地草甸群落进行了数量分类研究,并用Kruskal-Wallis检验和Tukey多重比较方法分析了草甸类型的环境因子之间差异的显著性。结合完全连接法和SOM,将松山自然保护区的山地草甸群落分为7个类型,其群落结构、物种组成等特征明显。这7个山地草甸群落主要受海拔高度、坡度、枯枝落叶层厚度和土壤深度等环境因子的影响,其差异极显著。生态学分析表明SOM是非常有效的植物群落分类方法,适合于山地草甸植被的研究。

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。

自组织特征映射神经网络在测井岩性识别中的应用

为了解决测井岩性识别问题,引入具有较强的聚类和容错能力的自组织特征映射(SOFM)神经网络.在说明SOFM网络的模型和算法的基础上,结合某地的实际测井资料,建立SOFM网络岩性识别模型,进行岩性识别的应用研究.结果表明,识别的准确率较高,证明SOFM网络可以用于解决测井岩性识别问题,具有很好的应用前景.

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.