FKCN优化的RBF网络在降水量预测中的应用

旱涝灾害的预测预报是目前世界上公认的难点问题之一 ,它不仅具有重要的现实意义 ,同时在理论上也是一个典型的非偏差时间序列预测问题。而降水量是影响旱涝灾害的一个重要因素。该文采用 FKCN优化的 RBF网络对安徽省蚌埠市汛期的降水量进行了预测 ,针对降水数据的特点 ,提出了一种简单有效的数据预处理方法 。

FKCN优化的RBF神经网络

ＦＫＣＮ（Ｆｕｚｚｙ Ｋｏｈｏｎｅｎ ｃｌｕｓｔｅｒ ｎｅｔｗ ｏｒｋ）将模糊隶属度的概念用于Ｋｏｈｏｎｅｎ 神经网络的学习和更新策略中，改善了Ｋｏｈｏｎｅｎ 网络的性能，是一种更为快速有效的聚类网络。作者将ＦＫＣＮ用于优化ＲＢＦ（Ｒａｄｉａｌｂａｓｉｃ ｆｕｎｃｔｉｏｎ）神经网络基函数的中心，并将优化后的ＲＢＦ网络用于曲线拟合和非线性时间序列预测，同时与基于Ｃ－ＭＥＡＮＳ的ＲＢＦ网络进行比较。实验结果表明：采用ＦＫＣＮ优化的ＲＢＦ网络具有更好的拟合和预测能力，尤其在曲线拟合实验中，ＦＫＣＮ优化的ＲＢＦ网络可以达到最小学习误差，比Ｃ－ＭＥＡＮＳ的网络小一个数量级，可见用ＦＫＣＮ优化ＲＢＦ神经网络可以较好地提高ＲＢＦ神经网络的性能。

基于不完全树结构小波变换及FKCN的纹理分割

提出了一种新的不完全树结构小波变换用于纹理特征提取 ,提出了一种与人类视觉过程相一致的多分辨率多通道纹理分析方法 ,它由 (1 )特征提取 :使用不完全树结构小波变换抽取纹理特征 ;(2 )基于模糊 Kohonen聚类网络的特征粗分类 :使用缩减的特征向量对网络进行训练 ,得到粗分割结果 ;(3)粗分割结果的细化等几部分构成。

Kohonen SOFM神经网络及其演化研究

Kohonen SOFM神经网络广泛地应用于模式聚类、模式识别、拓扑不变性映射等方面。从Kohonen SOFM神经网络结构和聚类算法入手,对其演化网络进行了比较分析,并从聚类算法性能的角度给予了综述。最后针对网络结构和算法的不足,指出了需进一步研究的方向。

基于模糊kohonen聚类网络的改进算法

模糊kohonen聚类神经网络将模糊隶属度概念应用于一般Kohonen聚类网络的学习和更新策略中,改善了Kohonen聚类网络的性能,是一种快速有效的聚类网络。但在死神经元的处理和收敛速度上还有改进的空间。为了能使网络更好应用于海量数据的聚类问题,对模糊Kohonen聚类网络算法在输出神经元的模糊偏置度、侧抑制模糊隶属度和加权系数提出了三方面改进。同时,对改进的模糊Kohonen聚类网络的有效性进行实例仿真,仿真结果体现了改进算法能有效避免死神经元的出现和提高了网络的聚类速度。