青藏高原及周边地区极端降水天气事件及其基于自组织特征映射方法的天气背景分型

利用2008—2014年中国自动站与CMORPH降水产品融合资料和NCEP再分析资料,基于自组织特征映射方法对青藏高原及周边地区的6 h极端降水天气进行了统计分析。发现6 h极端降水的高值和高频次主要分布在青藏高原西南部和东南部,以及东南侧的四川盆地和南侧沿喜马拉雅山至横断山脉一带。6 h极端降水在高原西南部多发生在14时(北京时,下同),在东南部多发生在20时,而在四川盆地和南侧主要发生在08时。采用自组织特征映射方法将2008—2014年高原及周边地区6 h分辨率的天气背景分为5类,类型I至类型V体现了从夏季—春秋—冬季的渐变,6 h极端降水天气事件发生比率依类递减。高原上总的极端降水主要来自类型I的高原极端降水,类型II及以下的高原极端降水落区逐类缩减并趋于沿冈底斯山零散分布。对比各类型的天气背景发现,高原上类型II及以下的动力强迫较类型I逐渐增强,但是暖心、湿度和对流有效位能等有利热力条件却依类明显缩减,使得高原极端降水落区依类迅速缩减。有利热力条件的分布与大范围极端降水的落区有很好的对应关系,热力条件减弱后,动力条件的增强及其与高原复杂地形的相互作用是导致零散极端降水的重要原因。四川盆地和高原南侧的对流有效位能明显高于高原内,高原在周边的强迫抬升易于触发对流不稳定,释放较高的对流有效位能,形成较强和较频繁的极端降水天气事件。

基于自组织映射神经网络的淮河流域生态系统服务簇时空变化特征

生态系统服务簇的识别是区域生态系统服务管理与优化的关键。量化了2000、2010、2020年淮河流域产水量(WY),水源涵养(WC),土壤保持(SC),生境质量(HQ),水质净化(WP),净初级生产力(NPP)和碳储量(CS)7种生态系统服务。并基于自组织映射神经网络(SOFM)识别了生态系统服务簇,探讨了生态系统服务簇的时空变化特征。结果表明:(1)2000—2020年,WP,NPP与WC呈上升趋势,WC的增幅最大;CS与HQ呈下降趋势。淮河流域各生态系统服务具有时空异质性,生态系统服务高值区多位于西南部山区与东北部丘陵山地地区。(2)识别了5个生态系统服务簇:核心生态服务簇,WP服务簇,WY服务簇,NPP服务簇与生态过渡服务簇。核心生态服务簇与生态过渡服务簇的面积总体增加,流域西南部山区与东北部丘陵山地地区生态系统服务提升,2000—2020年,WY服务簇与NPP服务簇间的转移面积较大,WY服务簇面积减少达60.09%,NPP服务簇面积显著增加,2020年占整个流域面积的57.02%。研究结果不仅有助于清晰认识淮河流域生态系统服务簇的空间分布格局及动态变化,也为探索淮河流域可持续的生态系统管理与规划决策奠定了基础。

考虑易用性和可解释性的自组织映射-即时学习风险预测框架

为提高风险预测系统的易用性和可解释性,提出基于自组织映射网络(SOM)改进的即时学习(JITL)风险预测框架。首先,应用SOM对数据样本进行聚类,并对聚类特征进行解释。进而,通过基于聚类结果的样本选择算法构建待测数据的相似样本集,在线上调用作为基学习器的支持向量机(SVM)进行建模并输出风险预测结果。最后,采用一个交通事故数据集对风险模型的性能进行测试,检验其精度、易用性和可解释性。结果表明:采用SOM-JITL策略的SVM模型,受试者工作状况曲线面积指标达到0.720,相比不使用该策略的传统SVM模型提高17.5%,精度较高;SOM-JITL模型构建所需参数调节工作少,具有较好的易用性;此外,SOM聚类结果准确识别出处于交通拥堵等高风险场景,与现实场景一致,具有可解释性。综上,SOM-JITL策略能有效提高基学习器的性能,达到精度、可解释性和易用性的平衡,有助于以低成本大规模推广风险预测系统。

基于受监督自组织映射的慢性阻塞性肺疾病氧减状态辨识

慢性阻塞性肺疾病(COPD)是一种与人体肺部及呼吸道相关的常见慢性疾病,严重威胁着人类健康。氧减状态的准确辨识对于诊断COPD具有重要的临床指导意义。基于受试人员的6分钟步行数据,本文展开了COPD氧减状态的辨识研究,对每个待辨识点进行特征表示,包括血脉氧饱和度指数、脉搏、血脉氧饱和度指数的窗口特征、梯度特征以及耦合特征,在上述特征表示的基础上,使用数据集来训练用于氧减状态辨识的受监督自组织神经网络模型。严格的对比实验结果表明:本文所提出的辨识模型优于现有的其他方法,全局性能指标AUC达到了0.8611,可以有效用于氧减状态的辨识,对于COPD的诊断具有重要的参考价值。

基于自组织特征映射模型(SOFM)网络的中国自然资源生态安全区划

自然资源生态安全是国家安全的重要组成部分,自然资源生态安全区划对保障区域可持续发展提供了重要途径。基于自然资源数据、生态环境数据和相关区划资料,从生态敏感性与生态服务重要性角度构建了自然资源生态安全评价指标体系,进而揭示了中国自然资源生态安全的空间格局;通过建立区划的原则和指标,按照一级区主要反映自然资源空间分布格局,二级区主要揭示自然资源生态安全水平的差异,采用SOFM网络制订了中国自然资源生态安全区划方案。结果显示:(1)中国自然资源生态安全水平整体偏低,以中警与重警状态区域为主,安全和较安全状态的区域仅占24.22%,其中低安全等级区多分布于400mm等降水量线以西的干旱、半干旱区,高安全等级区则集中分布于水热资源与生物资源较为丰富的东南部地区;(2)中国自然资源生态安全区划方案包括8个一级区与27个二级区,总结归纳各大区自然资源的特征和威胁生态安全的问题,并针对二级区自然资源生态安全状况提出了对策建议。研究结果可为分区、分类推进全国自然资源可持续利用和国土空间优化提供理论支持与决策依据。

量子自组织特征映射神经网络

自组织特征映射是典型的无监督神经网络算法。它运用竞争学习策略实现数据分类。然而当网络中神经元个数为多项式时,自组织特征映射算法训练容易受到计算力挑战。为了降低算法训练的时间复杂度,本文提出了一个量子经典混合的自组织特征映射神经网络算法,利用量子叠加性和量子纠缠性对经典算法进行加速。在神经网络训练过程中,算法利用量子相位估计和Grover搜索算法并行实现相似度计算和标签提取。理论分析表明,本文提出的量子算法相比于经典算法在数据维度上具有指数加速。

基于Kohonen自组织特征映射神经元网络图像分割方法的研究

传统图像分割技术对森林火灾图像分割效果不太理想 ,无法模仿人对颜色的主观判断 ,因此很难提取森林火灾图像的火焰区域 ,而Kohonen自组织特征映射神经元网络在这一方面表现出极大的灵活性和自适应性 ,能够模拟人的思维活动。本文利用Kohonen神经元网络自动对森林火灾图像分割和分类 ,获得卓有成效的效果 。

煤矿事故因素的自组织映射分布研究

为进一步明确煤矿事故致因因素间的复杂耦合机制,引入自组织映射(SOM)神经网络。首先利用24Model分析煤矿事故因素,构建事故属性数据集;其次通过SOM算法,可视化分析因素与事故间的耦合关系,最后结合K-means聚类算法,研究煤矿事故致因中单因素及多因素耦合对事故的映射特征,并计算因素间的耦合程度。结果表明:“事故-单因素”映射分布可反映出单因素对事故影响程度的差异性,其中管理落实不到位、安全培训不到位以及制度文件不健全等因素对煤矿事故的影响较大;“事故-多因素耦合”映射分布得到直接因素类别中违章指挥、违规作业、操作失误和不安全物态4种因素的耦合作用较强;因素耦合度分析中“体系文件不健全、安全文化欠缺-人员组织不合理”、“配套设施不齐全-安全习惯不佳”等多对因素的耦合度大于0.8,存在较强的耦合关系和因果性。

面向电厂设备异常检测的自组织映射深度自编码高斯混合模型研究

工业领域的生产设备异常检测实际上是采用无监督技术准确预测设备早期劣化的异常工况和定位具体的异常参数。深度自编码高斯混合模型DAGMM在生产设备数据集上异常检测性能较优,但仍有提升空间。针对深度自编码存在的高维信息丢失的问题,提出使用自组织映射辅助均匀流形近似与投影改进的模型SOM-UMAP-DAGMM。通过将UMAP算法改造为神经网络,在原来的损失函数上新增一项交叉熵实现与DAGMM联合训练,补充高维数据分布信息;并结合预训练SOM,补充空间拓扑结构信息。在两个公开数据集和3个生产设备数据集的实验结果上显示,SOM-UMAP-DAGMM较DAGMM性能得到了一定的提升。

Kohonen自组织特征映射模型的推广

基于拓扑特征保持的观点，对Ｋｏｈｏｎｅｎ自组织特征映射模型进行了推广和理论分析。实验结果表明。采用推广后的模型，能够使自组织特征映射更好地保持特征空间的拓扑性质，从而达到更好的应用效果。

基于高斯神经元的自组织映射网络研究

自组织映射网络(Self-organizing map network,SOM)是一种经典的无监督学习方法,具有自组织和联机学习功能。由于其简明与实用等特点,不断涌现出SOM变体以适应各类问题。然而,这些工作基本都采纳了确定性神经元建立网络,忽略了数据本身隐含的不确定性信息,导致这些模型的结果缺乏由置信度反映的可解释性,意味着SOM神经元的不确定性刻画能力不足。本文提出了一种高斯神经元SOM网络(Ganssian neuron som network,GNSOM),其神经元节点不再是确定性的,而是建模为高斯分布的高斯神经元,为SOM配备了不确定性功能用于表述数据的不确定性。在实现时,将输入数据同样高斯化,并用Jensen-Shannon(JS)散度代替SOM学习中的欧氏距离作为GNSOM学习中的相似性匹配度量,由此获得了不确定性表示。实验结果表明,GNSOM具有更好的训练效果,并能通过神经元节点的协方差矩阵反映数据的不确定性。由于这种对神经元的高斯化独立于SOM本身,因此能拓展应用于其他神经元模型。

基于自组织映射网络的微表情运动规律分析方法

表情是人类情感交互的重要方式。神经生理学研究表明:微表情很难由主观意识所控制,是人类真实情感的流露。与宏表情不同,微表情发生常常伴随着面部左右和上下的不对称移动,运动模式复杂。但由于微表情运动幅度小,人眼难以直接观察,微表情运动规律尚未被深入解析。在公共安保等领域,对微表情识别算法的可靠性与可解释性有很高要求。因此,本文旨在研究微表情运动规律分析方法,实现微表情运动规律的系统性解析。本文工作包括:研究基于自组织映射网络(Self-Organizing Maps, SOM)的微表情特征无监督聚类方法,得到微表情运动模式及其概率。定义微表情运动相似度指标,它从面部14个感兴趣区域运动趋势的角度来衡量两个微表情运动特征的差异程度,并作为调节SOM网络权值的依据。本文对CASMEII、SAMM、SMIC和MMEW数据集的微表情样本进行分析,并根据SOM网络的聚类结果总结微表情运动规律,该规律可以指导微表情识别算法特征提取,提升可靠性。

改进自组织映射的多无人机协同任务分配方法

针对现有算法对多无人机(UAV)协同进行多任务分配时存在负载均衡和执行效率方面的不足,提出一种改进的自组织映射(ISOM)算法。该算法根据飞行时间和任务执行时间设计了UAV的负载均衡度,以提升任务完成的效率;还设计了新的非线性变化的学习率和邻域函数保证ISOM算法的稳定性和快速收敛。然后,在不同任务环境对ISOM算法进行了有效性验证。实验结果表明,与结合遗传算法的粒子群优化(GA-PSO)、Gurobi和ORTools算法相比,ISOM算法的任务完成时间可分别减少15.5%、12.7%和7.3%;在TSPLIB数据集的实例KroA100、KroA150、KroA200上进行航迹长度减小的有效性验证时,与杂草优化(IWO)算法、改进的单亲遗传算法(IPGA)和蚁群单亲遗传算法(AC-PGA)的对比结果表明,ISOM算法在无人机数量为2、3、4、5、8时,均获得了最小的航迹长度。由此可见,ISOM算法在解决多UAV协同多任务分配问题时效果显著。

自组织特征映射神经网络在岩爆分级预测中的应用

岩爆是地下工程一种常见的动力灾害。为了提高岩爆预测精度和探究岩爆参数之间的潜在关系,本文借签一种自组织特征映射神经网络(SOFM),构建了岩爆烈度分级预测的无监督学习模型。结合国内外岩爆判据,选取围岩最大切应力、单轴抗压强度、单轴抗拉强度、应力系数、脆性系数及弹性能量指数6个参数作为评价指标。将46个典型的岩爆案例输入到竞争层为2×2拓扑结构的SOFM模型中进行训练。结果表明:SOFM模型具有可靠的聚类能力,其正判率为90%;与现有的有监督学习模型进行了比较,验证了本文建立的SOFM模型的优越性;最后,对SOFM聚类结果分析发现,脆性系数对轻微、中等及强岩爆的影响权重均较大,选取的6个评价指标对强岩爆和中等岩爆区分并不明显。

知识推理框架下的改进自组织映射方法设计

随着互联网技术的快速发展,在智能制造过程中会伴随着出现海量的工艺知识数据,为了提升对工艺数据的充分利用和掌握,提出一种知识推理框架下的改进自组织映射算法。在协同训练的思想下,对于知识库当中的工艺知识数据进行自组织映射网络下的筛选优胜,提高优胜单元的抗局部最优能力;利用改进自组织映射算法对特征优胜单元进行知识推理准则判断,在向量空间的映射下,通过双曲空间距离公式优选出置信度高的样本数据进行更新子代样本集;为了进一步提升特征信息的利用率,在知识推理框架下多次循环筛选提高工艺知识数据的有效预测。通过对铣削过程中真实数据进行建模仿真,验证了所提方法在面对多样本数据情况下的良好预测优化的性能。

基于自组织映射的梅雨期西太副高分型及降水特征研究

为了研究梅雨期西太副高(Western Pacific subtropical high,WPSH)的变化特征及其对梅雨降水的影响,利用1951—2016年西太副高监测指数,采用自组织映射(self-organizing map,SOM)方法对梅雨期西太副高进行聚类分析,得到9种SOM分型,并利用中国1 km分辨率逐月降水量数据集和中国雨季历年信息表进行不同西太副高分型下梅雨降水的特征分析。结果表明:9种梅雨期西太副高分型对应着多种不同的梅雨降水特征,纬向上,当西太副高偏东时,梅雨区降水强度偏低,反之则强度偏高。经向上,在西太副高主体位于中国陆地的前提下,脊线指数高于25°N时,梅雨区大部被副热带高压控制,整体降水偏少且有小幅度南少北多态势;脊线指数偏低时,副高控制梅雨区南部边缘或更南地区,水汽输送导致降水整体偏多。得到了不同类型副高与梅雨降水特征的对应关系,说明SOM方法能较好地对副热带高压等气象要素做出客观分型,并指导开展气候现象的相关性研究。

基于自组织映射神经网络的变异体约简方法

针对变异测试中产生大量变异体导致变异测试成本过高的问题,提出一种基于自组织映射神经网络的变异体约简方法。利用弱变异转换法获得变异体杀死矩阵,将其作为变异体的特征数据,使用自组织映射神经网络对变异体聚类,并将相似的变异体放在一类簇中,根据变异体的杀死度从每类簇中选择最难杀死的变异体组成新的变异体集合,从而约简变异体的数量。测试结果表明,所提方法在保证变异测试有效性不受影响的同时可以约简平均80%的变异体,降低了变异测试成本。

基于自组织映射的卷积神经网络架构研究

辅助驾驶和自动驾驶技术将对人类的生活方式带来巨大影响,而交通标志识别技术则是其中至关重要的一环。为了进一步完善交通标志识别理论,文章提出了一种融合自组织映射的卷积神经网络架构。自组织映射能将图像样本量化至拓扑空间中,从而对微小的变化提供降维和不变性处理。该方法与卷积神经网络相结合,能充分利用卷积神经网络对平移、旋转、缩放和形变的部分不变性能,从而提高该架构的效率和准确度。经过初步测试,本系统在200个测试样本中表现出98.5%的准确率,取得了显著的成效。

基于映射图与界面视觉要素排序的激光全息投影人机动态交互

针对人机动态交互界面任务执行中,界面感知元素检测过程一旦失真,存在耗时较长、操作准确率较低的问题,提出基于映射图与界面视觉要素的激光全息投影人机动态交互方法 。利用自组织特征映射算法生成映射图,通过迭代学习提取目标特征;结合感知元素重要度指标和人机交互界面感知强度,通过自动标注为视觉感知元素排序编号,构建人机动态交互界面优化模式,设计激光全息投影人机动态交互界面。测试结果表明,所提方法应用下,被标记的目标视觉元素特征点经过更新后,布局完整、有序,感知强度指数误差控制在1-5之间,交互任务执行耗时均在12.5s以内,操作准确率平均值为92%,解决了激光全息投影人机动态交互优化问题。

基于自组织映射神经网络的电力用户负荷曲线聚类

电力用户负荷曲线的聚类是形成合理电价体系和实施负荷管理措施的基础。文中基于自组织映射(SOM)神经网络进行低压终端用户的负荷曲线聚类研究。首先定义并提取功率曲线、分时功率、功率频谱3类向量,分别作为SOM神经网络的输入进行可视化聚类。采用相对量化误差和拓扑误差2个指标表征聚类质量,选取聚类结果最好的SOM输出层结合k均值法进行用户负荷曲线划分。根据Davies指标将所研究的131条曲线划分为8类,对每类曲线进行描述。最后进行新用户的识别,结果表明聚类方法有效、可靠。