基于ART2wNF神经网络和K-means算法的光伏输出功率曲线聚类

为弥补传统单一聚类方法存在的各种缺陷,提出一种将K-means算法和ART2wNF网络相结合的聚类方法来对数据进行处理,以提高数据聚类的精确性和可靠性。结合Ashland光伏电站(5 kW)2001全年的实测数据,详细说明了数据在该方法下的聚类流程,并绘制出聚类效果图,完成了对各类数据的对比分析,验证了该聚类方法的精度和可靠性。

用ART2神经网络方法进行结构的损伤识别

用ART2神经网络方法对建筑结构的损伤进行了识别 ,实验证明该方法的识别精度高 ,具有自动从环境中学习的能力 ,对未知的损伤 ,ART2网络将能自动地给出新的识别输出 。

基于改进ART2神经网络的绝缘子故障在线诊断

根据绝缘子在线检测的特点,提出了基于改进ART2神经网络的绝缘子故障在线诊断技术.改进的ART2神经网络在F2层增设初始状态层,即F2层分为上子层F22和下子层F21.F22层存储绝缘子首次投运时的初始状态和已知的典型故障类型,F21层存储新增故障类型.在绝缘子故障诊断过程中,首先应用电晕电流脉冲测量仪在线测量绝缘子的电晕电流脉冲,然后绘制电晕电流脉冲的N-φ图,并将其作为故障诊断的特征量送入改进的ART2神经网络进行模式识别.被检测的特征量先与F22层中的初始状态和已知的典型故障类型进行比较,如果匹配则判为该类;如果不匹配,再与F21层中的新增故障类型进行比较;如果都不匹配,则在F21层中创建新增故障类型.改进ART2神经网络解决了传统ART2神经网络聚类中心漂移问题,杜绝了绝缘子故障漏判的发生.仿真实验结果表明,应用改进的ART2神经网络可有效实现绝缘子故障在线检测,获得较好的诊断结果.

一种ART2神经网络的改进算法

传统的ART2神经网络由于预处理阶段的归一化,易将重要但幅值较小的分量作为噪声清除,造成在分类中丢失重要信息,同时还存在模式漂移的不足,分析产生这些不足的原因,并基于去单位化以及类内样本与类中心的距离不同而对类中心偏移产生不同影响的思想,对传统的ART2神经网络算法进行了改进。对一组渐变数据的测试表明,改进后的网络有效改善了模式漂移现象。同时,改进的ART2神经网络在核辐射场数据处理分类中有一定的实用价值。

基于ART2神经网络的手势动作肌电信号识别

针对手势动作肌电信号识别中存在的识别效率和稳定性问题,采用一种基于ART2神经网络的手势识别方法,并进行了单用户和多用户的实验研究.对8名受试者、8类手势动作模式的单用户实验,取得了较高的识别正确率,与BP网络相比,ART2分类器具有识别率高、实时性好、鲁棒性强的优点;同时,多用户的实验结果表明,ART2网络对手势动作肌电信号的识别具有良好的自适应性和稳定的分类能力.

ART2神经网络辨识发酵过程的不同阶段

传统划分菌体生长时期是建立在菌体浓度的基础上,并未考虑菌体生长过程中的影响因素。本文在分析菌体生长过程的基础上,建立了ART2神经网络来实时判断菌体所处的生长阶段。模型的特征向量采用菌体浓度以及反映菌体生长状况的呼吸参数和其所处的环境因素参数。实验表明,该方法能准确地判断菌体所处的生长阶段。

具有更严格警戒测试准则的ART2神经网络

在 ART2神经网络的标准警戒测试准则中 ,通过引入截断双曲线函数来计算输入矢量与神经网络由顶向下权重矢量之间的相似程度 ,而提出了一种新的具有更严格警戒测试准则的 ART2神经网络 .截断双曲线函数一方面抑制输入样本中的噪声 ,另一方面 ,如果输入矢量某些分量与由顶向下权重矢量对应分量之间存在冲击变化时 ,则截断双曲线函数将放大这些对应分量之间的冲击变化 .而且这种新的警戒测试准则具有更强的抗噪声能力 ,即在较低的输入信噪比水平上 ,具有更严格警戒测试准则的 ART2神经网络比标准 ART2神经网络具有更高的正确识别率 .

基于ART2神经网络的发动机故障诊断方法

发动机的故障诊断是一个动态的故障分类过程,许多故障诊断方法在对动态故障模式进行识别和分类时,存在对未知故障模式无法识别的问题。针对这一问题,引入ART2神经网络,利用db6小波包对发动机气缸盖的振动信号提取的特征向量作为网络的输入,应用实例证明,ART2神经网络不仅能正确识别学习过的故障模式,对突发、未知的故障模式也能很好地识别。

有教师指导细化拟合的ART2神经网络的研究

ART2神经网络广泛应用于模式识别问题 ,但有时具有某一属性的模式在模式空间中不一定聚集紧密 .当几个模式由于发散而在空间互相交错时 ,要用ART2神经网络产生复杂的模式空间分类曲面将它们分开则相当困难 .另外 ,ART2对所分的类型并没有任何先验知识 ,也就是说 ,ART2本身无法指明所得各类模式的归属 .本文提出一种新颖的ART2神经网络 ,使用先细化后拟合的方法解决了复杂交错的模式分类问题 .将这种ART2神经网络用于高频心电图特征数据分类 ,结果显示大大提高了分类的正确率 .

基于ART2神经网络算法改进的研究

ART2神经网络是按照自适应谐振理论建立的一种自组织、无监督的人工神经网络。通过分析经典自适应谐振神经网络聚类过程,针对传统ART2神经网络模型对分类的不确定性和网络权值模式漂移等不足,提出了基于算法改进的ART2神经网络模型。最后对改进的ART2神经网络进行了仿真,并与经典神经网络所做仿真的结果比较,验证了改进的ART2神经网络结构大大提高了分类的正确率,有效改善了模式漂移现象,降低了空间存储消耗。

使用LSA降维的改进ART2神经网络文本聚类

针对文本数据高维度的特点和聚类的动态性要求,结合隐含语义分析(LSA)降维,提出一种改进的ART2神经网络文本聚类算法,通过LSA凸显文本和词条之间的语义关系,减少无用噪声,降低数据维度和计算复杂性;采用改进的折中学习方法,减少计算步骤,加快ART2神经网络计算速度,并利用最近邻动态重组方法提高ART2网络聚类的稳定性,减弱算法对样本输入顺序的依赖。实验表明,改进的文本聚类算法能有效地实现动态文本聚类。

基于ART2神经网络的车牌字符识别

提出了ART2神经网络在车牌自动识别系统中的应用。ART2神经网络可以在非平稳 的、有干扰的环境中进行无教师无监督的自学习,学习过程是自组织的实时学习,能迅速识别已学习 过的样本,并能迅速适应未学习过的新对象。Zernike矩具有旋转不变性、位移不变性、比例不变性。 该方法结合了Zernike矩和ART2神经网络的优点,在实验中取得了很好的效果,解决了车牌自动识 别系统中字符识别的难题。

用ART2神经网络对铣削过程的监测研究

将 1～ 4个刀齿进行端面铣削时测得的工件夹具上的振动加速度响应信号输入 ART2神经网络 ,进行自动分类 ,在选择合适的警戒值的情况下 ,网络给出完全正确的分类结果。本文的研究可做为

基于ART2神经网络的车辆感应波形识别的方法

在智能交通系统中,无论是在交通监控领域还是在不停车收费系统方面,对车辆进行自动分类都十分重要;环形线圈车辆检测器以其良好的适应性、稳定性和高效性在车辆监测方面得到了广泛的应用,同时利用同类型或同种车辆经过环形线圈产生轮廓相似的电磁感应波形这一特点也可以进行车型识别;对波形进行预处理,以波形轮廓的抽样、量化值作为特征向量,将特征向量作为ART2神经网络的输入向量,经ART2神经网络的自动聚类最终实现车辆感应波形的聚类与识别。

ART2神经网络调整子系统结构的改进

ART2神经网络是按照自适应谐振理论建立的一种自组织、无监督的人工神经网络,可应用于连续的动态数据分类.但在实际应用中发现其理论存在同相位不可分"的缺点.针对此问题提出了一种改进的ART2神经网络模型结构及其算法,进行了仿真,给出了与常用ART2网络所做仿真的结果比较.

基于粗糙集和ART2神经网络的多传感器信息融合

神经网络是信息融合的一种重要方法,粗糙集理论是处理不完备信息的一种技术。本文提出了一种基于粗糙集和ART2神经网络的多传感器信息融合方法。ART2网络是一种无监督神经网络,能够实现对输入的任何模式信号自动识别和分类。而对信息融合中常遇到的数据超载问题,提出采用粗糙集与神经网络结合的方法解决。文章给出了基于粗糙集理论的组合神经网络的模型结构,最后用一个脱机手写体数字识别的实例验证了该方法的有效性。

基于ART2A-E神经网络的数字调制识别

在分析经典的ART2/2A网络基础上,提出了一种基于ART2A-E神经网络的自动数字调制识别分类器,并测试了分类器对2PSK、4PSK、OQPSK、GMSK、π/4OQPSK、4ASK6种数字调制信号的识别能力.仿真结果表明,该分类器对这6种数字调制信号在信噪比为8dB条件下识别率达到90%以上,而且在不影响网络已记忆模式情况下能自动对未学习模式进行新的聚类,提高了自动调制分类器的自适应性和可扩展性,减少了错判概率.

基于改进ART2神经网络的发动机故障诊断方法

基于改进ART2神经网络的发动机故障诊断方法,用警戒和调整因子的双因子法控制网络识别过程中对已知故障再学习,使网络不断学习和优化。以某发动机的相关状态模式训练ART2网络,利用db4小波包对各模式的振动信号进行分解,再利用小波系数计算出各频带的能量构成向量,经归一化后为该模式下的特征向量。其网络只对相似度超过调整因子的识别样本进行学习,有助于提高网络发动机状态模式的识别精度。

基于改进ART2神经网络的汽轮机故障诊断

针对反向传播神经网络(BPNN)学习收敛速度慢、易陷入局部极小值等问题,探讨了采用ART2神经网络的汽轮机组故障诊断方法。根据ART2网络学习与记忆的特点,对模型进行改进,解决了原始ART2网络权值学习的随机偏移问题,有效地过滤了噪声。仿真结果表明:该诊断方法快速、准确且易于工程实现。

基于ART2线性组合神经网络的军事物流需求预测方法研究

在分析BP、RBF、ART2等单一神经网络模型的基础上,建立了ART2线性组合神经网络模型,用其开展在小样本集下军事物流需求预测的研究,通过对模拟实例验证,ART2线性组合神经网络模型的检验指标优于单一神经网络模型。