基于自适应共振理论(ART)网络的机床设备实例的分类

阐述了自适应共振理论 (ART)网络的原理及训练算法。利用ART网络良好的自组织 ,自学习 ,可塑性强的特点 ,提出基于神经网络的机床设备实例分类的策略。该方法求解简单快速 ,容易实现 ,效率高 。

基于自适应共振理论(ART)的水环境质量分级模型

水环境质量分级是指在没有水环境质量综合评价指标的情况下,对水环境功能区内的大量水环境检测样本进行无监督分类,并进行质量分级.本文针对水环境质量分级的难点,提出了基于自适应共振理论(ART)的水环境质量分级模型,在实际应用中取得了较好的效果.该模型具有客观性强、灵活性高和操作简便等优点.

基于模糊理论与自适应共振网络的油中气体分析诊断

介绍了基于模糊理论的自适应共振网络在变压器故障诊断中的应用。根据对实际运行变压器进行统计得出的故障特征气体分布规律，确定分段隶属函数的分界值，并给出隶属函数的经验参数。针对变压器故障诊断的特点，在ＡＲＴ—２网络的基础上，构造了具有输入隐层的ＦＡＲＴ（ＦｕｚｙＡｄａｐｔｉｖｅＲｅｓｏｎａｎｃｅＴｈｅｏｒｙ）网络，对各特征气体采用不同的隶属函数处理，以增强网络对主要气体特征的灵敏度。并通过实例进行了检验，证实了该方法更为有效。

自适应共振理论网络在煤炭资源资产分类中的应用研究

将自适应共振理论网络应用于煤炭资源资产分类,以基于聚类的综合评判模糊数学模型的分类结果作为选择训练样本的基础,建立了自适应神经网络分类模型.网络不仅能得到理想的输出结果,而且能准确地进行煤炭资源资产分类.分类结果表明,用自适应共振理论网络进行分类具有分类稳定、结果可靠等特点.

基于自适应共振理论的结构损伤识别

目的基于自适应共振理论,提出一种基于ART2神经网络的结构损伤识别方法,以实现结构损伤识别的自主学习.方法采用一种改进算法来解决ART2方法中对输入矢量必须是非负实数的要求,并通过主成分分析方法对网络的输入矢量进行降维处理.结果通过对健康监测基准问题模型的计算表明,所采用的改进算法使得网络的输入扩展到整个实数域,且主成分分析方法有效地降低了输入矢量的维数,减少了网络的学习训练时间,从而提高了网络的泛化和判别决策能力.结论基于ART2神经网络的结构损伤识别方法具有自组织、反馈式增量学习机能,能够在不破坏原有记忆样本的情况下,学习新的样本,可以在较强噪声环境下快速准确地识别损伤,适宜于结构损伤的在线监测.

自适应共振理论网络法在苦参质量评价中的应用

运用自适应共振理论网络ＡＲＴ１和ＡＲＴ２两种模型，对来源全国各地４０份苦参药材的质量进行了评价。采用ＵＶ和ＩＲ光谱数据，以Ｓｈａｎｎｏｎ信息理论进行特征选取，取得了与传统鉴定较为一致的结果。

快速自适应共振理论网络

基于实验心理学理论,按记忆强度分组自适应共振理论网络聚类,将模式识别过程划分成若干按序进行的子过程。通过合理设置网络参数,在保证准确识别的前提下,尽可能地避免了自适应共振网络所固有的遍历匹配运算。实验表明,新网络的模式识别性能与原网络相当,而计算效率却得到了显著提升。

神经网络自适应共振理论应用于心电图QT间期自动检测的研究

介绍一种利用改进的ART(自适应共振理论 )人工神经网络检测心电图QT间期的方法 .用经过训练的ART网络对心电波形进行分类和识别 ,较准确的测出T波终点位置 ,从而提高QT间期检测的正确率 .该算法在一定程度上模拟了心电专家手工测量QT间期的过程 ,用于检测包括MIT心律失常数据库 (MIT/BIHArrhythmiaDatabase)在内的共近千个心跳波形 ,并以两位心电手工测量结果作为标准数据进行对比 .对比结果显示 ,我们的算法对单路心电波形自动检测的准确度与通常手工测量具有可比性 ,充分体现了人工神经网络的优越性 ,在要求自动检测大量数据的场合具有显著的应用价值 .

基于模糊自适应共振理论的图象分割

提出了一种基于模糊 ART神经网络的灰度门限化图象分割方法 ,该方法不仅可以自动确定分类数目 ,而且还能有效抑制噪声 。

基于人工神经网络自适应共振理论的手写字符识别

以人工神经网络中的自适应共振理论为基础,研究了用光标在电脑屏幕上进行手写输入的字符识别方法.根据专业领域文字输入中经常使用特殊字符的特点,程序部分由内核是Unicode的Java实现.采用Unicode编码不但可以方便地实现特殊字符的识别和显示,还有利于跨平台的移植,较好地解决了文字录入中特殊字符不易查找以及某些用户操作键盘不便等实际问题.

基于模糊自适应共振理论映射算法的单样本三维人脸识别

针对传统的三维人脸识别分类算法大多需要多个样本进行训练,而在单训练样本的前提下识别性能会严重降低的问题,提出了基于模糊自适应共振理论映射(Fuzzy ARTMAP)的算法对三维人脸数据库进行分类识别。首先对三维人脸深度图像进行局部二值模式(LBP)统一模式算子的特征提取,再对LBP特征进行Log-Gabor小波变换,提取图像的频域特征向量作为训练的输入向量,最后将单样本训练向量集送入Fuzzy ARTMAP分类器进行训练识别。该算法在FRGC v2.0三维人脸数据库中的识别率可达到87.15%,分类器的训练时间为24.88s,单张待识别人脸样本与单张已注册的人脸匹配时间为0.0015 s,一张新的人脸样本在数据库完成一次搜索匹配则需要1.08 s。实验结果表明,所提方法在测试中的性能优于概率神经网络(PNN)和极限学习机神经网络(ELM),既能保证较高的识别率,又能拥有较短的训练时间,且时间增幅稳定,可控性强。

基于软竞争Yu范数自适应共振理论的轴承故障诊断方法

传统自适应共振理论网络模型利用硬竞争机制对故障类边界处的样本进行分类时易造成误分类,为此,提出了基于软竞争Yu范数自适应共振理论的轴承故障诊断方法。将基于模糊竞争学习的软竞争方法引入Yu范数自适应共振理论模型中,根据模式节点与输入样本间隶属度的大小,对竞争层多个节点进行训练和学习。通过对轴承故障试验数据的诊断分析可知,该方法不但能有效识别不同类型的故障,而且能识别不同严重程度故障,且诊断精度优于自适应共振理论模型和模糊C均值聚类模型。

基于FUZZY-ART变换的自适应盲数字水印算法

图像认证是近几年发展起来的新技术。数字水印技术作为图像认证技术的一种，近年来得到了充分的关注。本文对一种基于FUZZY-ART理论的自适应数字水印算法进行了研究，首先对宿主图像进行分块学习，挑选出适合嵌入水印的图像块，并根据学习的结果，自适应地嵌入被置乱以后的二值图像水印。本文提出的是一种基于掩码盲检测的算法，大大减少了所需要传输的额外信息。实验证明本算法可以抵抗多种恶意的攻击。

基于自适应共振神经网络的电机故障诊断方法

文章提出了基于自适应共振神经网络ART-2的故障诊断方法,以电机运行过程中的振动信号为诊断对象,在频谱分析的基础上,对电机故障进行诊断分类。实验证明,此方法能够快速、准确进行故障的分类,并在诊断的过程中对诊断信号通过记忆调整已有数据库的数据内容,具有一定的自学习能力,是电机故障诊断行之有效的方法。

基于自适应谐振理论的油气圈闭聚类评价

为了在圈闭的控制因素与油气藏之间建立一种有效的模型,使得能够可靠的评价油气圈闭,从而有效的拟定预探井井位,本文提出了基于自适应谐振理论的油气圈闭聚类评价方法,并在油气圈闭研究区进行了圈闭分类评价试验。结果表明:该方法能有效的对油气圈闭的含油气性进行分类评价,在解决油气圈闭评价方面具有智能性,高效性,准确性,客观性。

基于ART2神经网络的入侵检测方法

提出基于ART2神经网络的入侵检测方法.采集基于主机和基于网络的入侵特征数据,分析入侵行为的空间和时间关联性,并对入侵特征数据中的关联信息进行处理,提取入侵行为之间的关联性,降低入侵检测算法的复杂性;利用ART2算法的自学习能力、自组织能力、良好的稳定性和可塑性以及快速识别能力,实现对用户行为的近实时检测,取得了较高的检测准确率,在识别未知攻击方面具有较好的性能.

改进ART1神经网络在航空发动机故障诊断中的应用

根据航空发动机故障诊断原理和飞参数据,提出了一种改进ART1神经网络故障诊断方法。该法对数据预处理后,运用四阈值法和二次判断建立故障代码消除“伪故障”,并对ART1神经网络的输入层进行了改进,在诊断突发性故障的基础上,增加了对因为部件原因而引起的渐变性故障的诊断。实验结果证明,该方法精确度高,噪声抑制力强,而且诊断准确,大大降低了虚警率。

改进ART Ⅱ算法的仿真研究

ART Ⅱ网络以模式的相似性量度值为基础,能够对动态的输入模式样本进行自适应的聚类和识别,然而标准的ART Ⅱ网络在输入数据处理过程中,忽略了样本数据中的负数信息和幅值信息,造成信号畸变和"同相位不可分"问题,在权值调整过程中,聚类中心发生移动,容易造成"模式漂移"现象。针对上述问题结合相关文献提出了引入非线性函数对输入数据进行变换的方法解决"同相位不可分"问题,用待测数据与同一模式类中有限数据的欧氏距离与限定值进行比较实现聚类判定,抑制"模式漂移"现象。用Matlab仿真表明,改进算法性能优于标准算法。

一种改进的ART1算法及其在人像识别中的应用

本文通过对自适应共振理论（ＡＲＴ）及ＡＲＴ１ 的研究， 提出了一种改进的ＡＲＴ１ 算法． 这种算法不仅具有ＡＲＴ１ 算法的所有优点， 而且降低了ＡＲＴ１ 算法的识别识误差．

基于ARTNN的GIS绝缘故障识别新方法

为根据局部放电信号识别早期的GIS绝缘故障缺陷类型,提出了一种利用ART神经网络在线识别GIS绝缘故障类型的新方法。较之常用BP神经网络,该法训练时间短、所需样本少、权值稳定、不存在局部收敛,故更适于在线识别。网络的输入量为一个工频周期内局部放电脉冲重复率、主频率、阻尼系数、放电量、放电相位分布。利用5种GIS绝缘缺陷类型的实验所得数据对ART神经网络进行训练及验证,证明该法的缺陷类型正确识别率可>98%,在GIS绝缘故障类型的在线模式识别中具有广泛的前景。