An artificial neural network for detecting weld position in arc welding process

A kind of self organizing artificial neural network used for weld detection is presented in this paper, and its concepts and issues are discussed. The network can transform the weld visual information into typical patterns and match with the weld data collected on line, and so realize the accurate detection of the weld position in arc welding process.

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.

ARTNIDS:基于自适应谐振理论的网络入侵检测系统

分析了现有的入侵检测方法,设计了基于自适应谐振理论的网络入侵检测系统(ARTNIDS).它采用了一种全新的行为表示方法,即根据网络数据包结构定义网络行为特征变量;利用改进的自适应谐振理论算法,提高了学习效率,使丢包率由15%左右降低到10%以下,实现了无监督和在线实时学习;提出的类似Hamming距离的检测算法,使误报率低于10%.依上述方法构造的原型系统经实验证明能高效地检测出局域网内的入侵行为.

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。

基于BP-ART混合神经网络的电路故障诊断新方法

建立了基于误差反向传播(back propagation,BP)神经网络和自适应共振理论(adaptive resonatetheory,ART)神经网络的电路故障诊断模型,提出了BP神经网络和ART神经网络相结合的电路故障诊断方法,以ART网络为主,识别新故障,以BP网络为辅,识别多类故障,并对传统的ART神经网络竞争机制加以改进,有效地解决了复杂电路故障诊断的难题。实验表明,基于BP和改进ART神经网络相结合的电路故障诊断方法具有自适应性好、训练时间短、准确性高等特点。

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Fuzzy-ART神经网络的红外弱小目标检测

针对现有背景抑制算法未能有效抑制背景而导致目标检测率低的问题,提出了一种基于模糊自适应共振理论(fuzzy adaptive resonance theory,Fuzzy-ART)神经网络的弱小目标检测算法。首先,采用Fuzzy-ART神经网络结合Robinson警戒环技术,建立自适应局部空间背景模型,并以此分析像素点的背景模糊隶属度来抑制背景杂波;然后依据目标与残留背景杂波的空间特征采用模板均差法来突显目标,并提出基于行列模糊聚类的自适应分割算法来提取候选目标;最后结合目标的运动连续性进行多帧轨迹关联从而检测出真实目标。理论分析与实验结果表明,该算法能随背景的局部情况来自适应调节空间背景模型,从而自适应抑制背景杂波、突显目标,能有效提高信噪比,检测出弱小目标。

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。

FUZZY ARTMAP神经网络综述

1.引言 神经网络模拟人脑神经功能,用大量简单关系连接来表示复杂的函数关系,具有很多特殊优点,已在系统建模、模式识别、图像处理、知识发现和控制等领域得到了广泛的应用.但当使用前向神经网络,如多层感知器(MLP)和径向基函数(RBF)网络时,需要依赖一些试探法去选择最优的网络尺寸和参数[1],此外这些网络在学习后通常是静止的,不具备增量学习能力(在线学习),对新模式学习时,会破坏网络已记忆的模式[2,3].

引入遗忘机制的ART2改进模型

论文针对ART2网络学习与记忆的特点,在原始ART2的基础上提出具有遗忘机制的改进模型,并开发了相应的MATLAB程序。改进模型解决了原始ART2网络权值学习的随机偏移问题,有效地过滤了噪声,提高了分类结果的稳定性,降低了空间存储消耗。文章进一步运用改进模型对典型输入样本进行了分类,得到了理想的结果。

基于ART2网络的三维模型聚类分析方法

为解决三维模型聚类中存在的聚类结果对数据输入顺序和维度敏感的问题,将基于自适应谐振理论的ART2网络引入到模型聚类中。以Rand指数、调整Rand指数和互信息指数3种聚类有效性评价指标为依据,通过实验分析了ART2网络中a,b,c,d,θ五个参数对聚类有效性的影响,并给出了一组较优的参数组合。在此基础上,定性地分析了警戒系数对聚类结果的影响,其中包括最大聚类数的确定和聚类结果对输入顺序的敏感度。聚类结果验证了ART2网络在模型聚类上的可行性和实用性。

神经网络ART模型在故障诊断中的应用

讨论了目前最成功的一种无导师神经网络模型──自适应谐振理论ＡＲＴ。分析了ＡＲＴ的工作原理，给出了ＡＲＴ的具体算法（已在ＰＣ－４８６上用Ｃ语言实现）；指出了ＡＲＴ的实质，并以“有轨自动物料搬运小车系统”为例详述了ＡＲＴ在故障诊断中的工作过程，获得了很好的结果。

一种改进的ART型神经网络学习算法

指出常规ART1型神经网络的不足,提出了一种改进的相似度计算方法。它同时考虑两向量对应位子值,避免了ART1网络中两个向量由于输入顺序的不同而得到不同的相似度的结果;针对ART1网络模式识别的漂移问题,提出了少数服从多数原则来减少这种问题的出现。改进了ART1型神经网络的应用效果。

改进的ART网络在火焰燃烧状态识别中的应用

基于采集的电站锅炉燃烧器火焰图像,利用数字图像处理技术,讨论了特征值的意义和提取方法,提取了火焰图像特征区内灰度的平均值和标准差2个特征向量,运用现代人工神经网络智能理论,设计并改进了ART2网络算法,经过训练和实际应用后,ART2网络对一定工况的旋流燃烧器和直流燃烧器火焰燃烧状态都具有很好的识别能力,判别准确,网络稳定,实现燃烧状态实时判断,在现场取得了良好的实际应用效果。

基于ART2-PNN神经网络的网络入侵检测方法

自适应共振理论能够动态地对输入向量进行聚类,概率神经网络使用联合概率密度分布进行分类估计。给出将两者结合使用的算法,并应用到入侵检测中。测试表明,概率神经网络的函数逼近能力和网络性能得到提高,入侵检测系统的漏报率和误报率明显下降。

一种基于有监督的ART算法的数字识别应用

介绍一种新型神经网络算法,并将其应用于数字识别。在识别过程中,数字摄像头在现场摄取的数字图像传输到计算机中经过预处理后,采用有监督的ART神经网络算法识别并得到识别结果。通过实验证明,有监督的ART神经网络算法可以提高识别速度和正确率,具有较大的实用价值。

ART2神经网络聚类的改进研究

为进行快速动态层次聚类,通过分析自适应谐振理论(adaptive resonance theory,ART)神经网络的快速学习、主观设置警戒参数、输出无层次结构等优缺点以及自组织特征映射(self-or-ganizing feature map,SOFM)神经网络的侧反馈、不能动态聚类、输出无层次结构等优缺点的基础上,借鉴Hebb规则的思想,针对ART2神经网络的聚类算法进行了改进研究。通过结构描述、算法分析,该算法融合了ART2和SOFM的优点,克服其不足之处,以快速学习的方式形成可带有多层层次的动态聚类结构(不同的层次代表不同粒度的聚类),此外还降低了对警戒参数主观设置的要求,对于较粗粒度的聚类不再需要重新训练神经网络。并通过仿真实验证明该算法的有效性。

基于ART1网络的字符识别器

通过标准自适应共振理论神经网络(Adaptive Resonance Theory,ART),设计和实现了一个字符识别器,针对标准的ART1网络存在的不足,即网络的学习不稳定,对样本输入顺序比较敏感等问题,给出了改进方法,用C语言实现了这2种字符识别器,实验结果表明这2种字符识别器能够对不同的字符进行识别,改进方法比基于标准ART1网络具有更好的稳定性.