基于自组织特征神经网络和最小二乘支持向量机的短期电力负荷预测方法

准确的负荷预测对于整个电力系统经济有效运行有着重要的意义。针对负荷预测集和预测模型作出协同优化改进,提出了基于粒子群(Particle Swarm Optimization,PSO)优化的自组织特征映射网络(Self-organizing Feature Mapping,SOFM)和遗传算法(Genetic Algorithm,GA)优化的最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)的短期电力负荷预测方法。使用自适应权重的粒子群算法对SOFM的权值进行优化处理,采用优化的PSO-SOFM对原始负荷数据进行分类处理,得到多组训练集。针对每组训练集建立LSSVM预测模型,并使用GA优化其关键参数,最终得到GA-LSSVM预测模型。最后利用已有的负荷数据进行了负荷预测,验证了该方法的准确性和有效性。

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.

基于自组织特征映射神经网络的数字模式识别

在分析自组织特征映射(SOFM)神经网络基本学习算法的基础上,从提高算法收敛速度和性能出发,提出了一种改进算法:随机选择样本输入次序;根据实际应用并结合专家经验确定初始连接权值;采用高斯函数作为拓扑邻域函数;将算法分成排序和收敛两个阶段,并分别采用不同的学习率和邻域函数.采用改进后的SOFM算法对输入样本进行自组织聚类,再利用学习矢量量化(LVQ)算法解决样本分类中的交迭问题,提高了分类精度.仿真实验结果表明,该网络能够识别常用的数字(0～9)和英文字母,特别是在有噪声污染的情况下,可以获得较好的效果.

基于自组织特征映射神经网络的边坡稳定性评价

将自组织特征映射神经网络(SOFM)应用于边坡稳定性分析,建立了评价边坡稳定状态的SOFM网络模型,并以工程实例对网络进行了训练和检验,研究结果表明,SOFM网络性能良好、预测精度高、简单易行,是边坡稳定性评价的一种有效方法。

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。

语音自组织特征映射神经网络矢量量化算法

针对数字语音信号分帧提取MFCC参数,MFCC是Mel频率倒谱系数(Mel Frequency Cepstrum Coefficient,MFCC)。Mel频率是基于人耳听觉特性提出的,它与Hz频率呈非线性对应关系,利用它们之间的这种关系,计算得到Hz频谱特征。将每帧的MFCC作为矢量进行自组织特征映射神经网络矢量量化及LBG矢量量化,通过实验对二者进行比较。仿真结果表明,自组织特征映射神经网络矢量量化算法得到的码书比LBG算法具有量化误差小、码本尺寸小的特点,进而可以节省存储空间。实验结果表明,文中方法具有一定的实用性。

基于自组织特征映射神经网络的高压断路器故障诊断

高压断路器在电力系统中起到了控制、保护、配电和监视等作用,是重要的电力设备,其运行可靠性对电力系统安全、稳定运行具有重要意义。在建立高压断路器故障诊断模型及其运行状态特征参量选取的基础上,利用自组织特征映射(Self-Organizing feature Map,SOM)神经网络在模式聚类中的优越性,实现高压断路器的故障诊断。

基于自组织特征映射神经网络的金银花分类研究

自组织特征映射神经网络(SOM)以无监督方式进行网络训练,具有自组织功能。网络通过自身训练,自动对输入模式进行分类。中药药用价值与其所含微量元素有直接的关系,药材分类是中药质量控制的重要方法。将金银花中微量元素含量作为网络输入,利用自组织特征映射神经网络对不同产地金银花进行分类。结果表明分类效果较好,符合生产实际。

一种GOA优化SOM神经网络的VP型倾斜仪故障智能诊断方法

提出一种VP型倾斜仪故障智能诊断方法。利用经验模态分解(EMD)将归一化故障信号分解为6个本征模态函数(IMF),分别计算其近似熵,构建EMD多尺度近似熵输入矩阵;结合蝗虫优化算法(GOA)对自组织特征映射(SOM)神经网络的参数进行优化,将得到的GOA最优值嵌入到SOM模型中,组建GOA-SOM诊断模型。应用诊断测试集得到诊断目标的聚类标签值,将其与训练集的聚类标签以及真实故障类型进行比对,得到故障诊断结果。结果证明,GOA-SOM模型在100次随机抽样条件下的诊断正确率均值和标准差分别为99.329 7%、1.218 8,优于传统诊断模型。

基于自组织神经网络的声速剖面分类方法研究

利用自组织神经网络技术,结合声速剖面特点,研究了声速剖面的描述方法、网络中神经元个数的确定、获胜神经元的邻域及其邻域内神经元的拓扑关系等对网络结构和声速剖面类别划分的影响,给出了分类声速剖面的网络构造思想和神经网络结构。实验验证了该方法的正确性。

基于自组织神经网络的麻黄模式识别研究

介绍了自组织竞争网络和自组织特征映射网络的原理。中药药用价值与其所含微量元素有直接的关系,药材分类是中药质量控制的重要方法。采用麻黄中微量元素数据建立网络模型,对网络结构参数进行了优化并对麻黄样本进行了聚类分析。数据分析结果表明,自组织竞争网络和自组织特征映射网络都有较好的分类结果,符合生产实际,是中药麻黄化学模式识别的一种有效方法。

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。

基于自组织特征映射神经网络的中国耕地生产力分区

【目的】耕地生产力的高低直接关系到国家粮食安全,科学分析不同区域耕地生产力构成要素及其影响机制、摸清耕地资源状况,对于把握耕地资源利用的科学决策、实现耕地产能提升,特别是支撑省域土地整治以及高标准基本农田划定、保障国家粮食安全战略具有重要意义。【方法】基于中国31个省(自治区/直辖市)的土壤肥力、气候条件、地形地貌等自然条件及经济投入、效益反馈等社会统计数据,建立构成自然要素及社会经济要素的指标体系。根据粮食作物单产对耕地生产力分级,并结合以往区划确定耕地生产力区。在深入剖析耕地生产力与其构成素要素之间的复杂、高维、非线性关系基础上,采用自组织特征映射神经网络模型,通过U-矩阵面板以及变量位面对评价单元耕地生产力6个自然要素、5个社会经济要素构成的高维复杂数据进行可视化和空间聚类,识别不同空间格局下耕地生产力的差异性和相似性,直观反映耕地生产力构成要素变化的敏感分布区域,并基于耕地压力指数校正。最后,将聚类结果与耕地生产力分级结果叠加,并结合综合性、相对一致性、区域共轭性、行政单元完整性等原则进行适当调节,确定耕地生产力亚区。【结果】不同省域的土壤肥力、气候条件、地形地貌及经济投入、效益反馈方面有显著的空间差异性和发展的非均衡性,进而将自然要素、社会经济要素均聚为6类。以此为依据,将中国耕地生产力划分为10个耕地生产力区、24个亚区,其中耕地生产力区包括东北平原区、华北平原-丘陵区、黄土高原区、四川盆地、长江中下游平原区、华南丘陵区、云贵高原区、内蒙古高原区、西北内陆区、青藏高原区。耕地生产力亚区是根据自然要素、社会经济要素的可视化特征和空间聚类结果对耕地生产力区的区域优势及限制因素的细化及简要说明,并基于耕地压力指数校正,最终建立起中国耕地生产力分区系统。【结论】分区综合考虑了由自然要素、社会经济要素及耕地压力指数共同构成的区域耕地生产力主导因素及关键问题,分区系统与客观实际相吻合,表明自组织特征映射神经网络模型是一种耕地生产力要素分区与敏感区域识别的科学有效方法,通过空间可视化与要素聚类分析,揭示了不同区域的耕地生产力现有优势、限制因素。

基于自组织特征映射神经网络的医学图像分割技术

采用一维自组织特征映射神经网络对医学图像进行聚类分析,实现对不同组织的自动分割。避免了直接使用灰度门限分割方法由于门限值选择不当所导致的分割结果有失准确性的缺点。试验结果表明,利用该方法能够较好地保证分割结果的准确性和完整性。

基于潜在语义分析和自组织特征映射神经网络的文本聚类研究

基于潜在语义分析和自组织特征映射神经网络(LSA-SOM),本文提出一种文本聚类方法。采用潜在语义分析的理论表示文本特征向量,以体现特征词的语义关系并实现特征向量的降维。利用SOM网络算法进行无监督自组织学习,并通过不断调节网络节点间的权向量来实现文本聚类。该方法不必预先给定聚类个数,可以在任意合适的位置生成一个新的类,克服传统方法中文本种类需要预先给定的缺点。

使用自组织特征映射神经网络对湖泊水生态功能分区

以白洋淀淀区为研究案例,在水文、气象、水化学、水生态以及人类活动干扰多要素基础上,耦合生态系统服务空间分布,形成水生态分区指标体系框架,通过自组织特征映射(self-organizing feature map,SOFM)神经网络,并将案例区划分为核心湿地保护区、湿地生态缓冲区、入淀河流缓冲区和生态屏障区4类水生态功能区域,面积分别为9763.81、9538.59、5953.15和5417.53 hm^(2),分别占白洋淀淀区面积的31.83%、31.10%、19.41%、17.66%.分区结果体现了一定的层次结构与空间特征差异,可为未来科学识别不同区域压力源、淀区精准修复以及差别化水质管理提供科学的数据支撑.

基于自组织特征映射神经网络的河北省土壤水资源分区研究

土壤水资源分区是土壤水资源评价和开发利用的前提,河北省地形地貌复杂、植被种类繁多,综合考虑影响土壤水资源的各类因素,选取了地形地貌、土壤类型、干旱指数及植被条件4个评价指标,应用自组织特征映射神经网络对河北省土壤水资源进行了分区,将河北省土壤水资源分为8区。其结果表明自组织特征映射神经网络能够对样本进行无监督的自动分类,保持其拓扑结构不变,具有自组织、自适应能力,且具有较强的容错能力,对河北省土壤水资源分区取得了较好的结果。

基于多重分形谱和自组织神经网络的医学图像分割

背景:单一的多重分形谱图像分割虽然在边缘及纹理的区分上有较大优势,但是选择不同的测度,不同的阈值对于分割结果影响比较大,正确地选择最优的测度比较困难。目的:结合多重分形谱图像分割法及自组织特征映射神经网络对医学图像进行处理。方法:以图像每一象素及其周围象素的均值及方差为基本特征,再结合4种不同多重分形谱为纹理特征,实现自组织特征映射神经网络。结果与结论:选择不同的测度对同一图像的分割结果是不一样的,并且同一种测度对不同图像的分割效果也不一样,说明基于多重分形谱的医学图像分割中选择合适的测度是一个关键所在。因此将多重分形谱结合自组织特征映射神经网络的方法对图像进行处理,该方法省略了选择测度的步骤,直接把4种多重分形谱作为特征,与另两种基本特征一起作为自组织神经网络的输入,对网络进行学习,并自动对图像进行分割。实验结果表明该方法在满足复杂图像中有效进行分割的同时达到了自动、自适应的目的。

基于自组织映射神经网络的聚类分析系统研究

将自组织影射特征神经网络技术用于工业监控数据聚类分析,并给出聚类算法模型、算法实现步骤,采用VC++程序来实现,通过实验测试和实例数据分析,表明该聚类算法针对工业监控数据存在不确定性、有噪声及多模态性等特点,有较好的鲁棒性和适应性。

基于SOM神经网络的工程经济学教学质量评价模型研究

针对传统教学数据处理及分析受多种复杂因素干扰,存在主观性强、数据处理效率低、评估结果不准确等问题,提出一种基于自组织特征映射(SOM)神经网络构建工程经济学教学质量评价模型的方法。首先,基于课程属性及特点设计可用于工程经济学教学质量评价的评价指标及其评价内容;然后,重点介绍基于SOM神经网络构建工程经济学教学质量评价模型全过程,包括量化评价指标并将其作为标准样本输入网络模型,调整模型各项参数使其性能达到最优,基于获胜神经元及其他神经元拓扑结构进行质量评价分析。最后,基于建设工程经济学课堂采集的教学评价数据,利用提取的12个教学质量评价指标,从理论及实践双维度分析教学数据,验证所提模型的有效性。结果表明,基于SOM神经网络构建的工程经济学教学评价模型可有效地对教学质量做出客观准确的评价结果。该方法可为实现工程经济学高效、准确的教学评估和推动智能化教学评价体系的构建提供参考。