SOM算法、LVQ算法及其变体综述

1.引言 SOM[1](Self-Organizingfeature Map,简称SOM)网络是一种自组织竞争型人工神经网络,它是由著名神经网络专家T.Kohonen教授于1981年提出的,因此SOM网络又称为Kohonen Map.

结合遗传算法的LVQ神经网络在声学底质分类中的应用

学习向量量化(Learning Vector Quantization,LVQ)神经网络在声学底质分类中具有广泛应用.常用的LVQ神经网络存在神经元未被充分利用以及算法对初值敏感的问题,影响底质分类精度.本文提出采用遗传算法(Genetic Algorithms,GA)优化神经网络的初始值,将GA与LVQ神经网络结合起来,迅速得到最佳的神经网络初始权值向量,实现对海底基岩、砾石、砂、细砂以及泥等底质类型的快速、准确识别.将其应用于青岛胶州湾海区底质分类识别研究中,通过与标准的LVQ神经网络的分类结果进行比较表明,该方法在分类速度以及精度上都有了较大提高.

基于LVQ工况识别的混合动力汽车自适应能量管理控制策略

为提高混合动力汽车的燃油经济性,选取6种典型行驶工况代表"市区"、"郊区"和"高速公路"3类主要工况,采用基于规则的模糊能量管理控制策略,以整车燃油经济性为目标,在3类主要工况下用改进型粒子群优化算法优化发动机联合工作曲线与发动机关闭曲线系数,得到相应的优化后的隶属度函数的参数;运用学习向量量化(LVQ)算法识别车辆运行工况,动态选择相应的模糊控制策略,使混合动力汽车控制策略对选定的几种代表性工况具有自适应性,从而提高整车的燃油经济性。仿真对比结果表明,相比于传统混合动力汽车,燃油经济性提高了3.4%。

ELVQ算法实现宽参数偏移的多故障电路诊断

该文提出了一种强化自适应策略的学习矢量量化(Enhanced Learning Vector Quantization,ELVQ)算法,并设计了基于SOM(Self-Organizing Map)-LVQ模型的故障分类方法,用于实现宽参数偏移的模拟电路多故障诊断。该文算法具有两方面的优势:一方面利用获胜神经元数目的自适应,均衡了神经元的获胜概率;另一方面根据样本分类结果计算作用因子修正神经元的权值,增强了类别边界决策性能。仿真结果表明,所提出的算法具有收敛速度快,分类误差小等特点。

遗传算法优化LVQ网络的监控视频关键帧内容识别

为解决监控视频检索中公安视频侦查关注目标的识别问题,提出一种基于遗传算法优化LVQ神经网络的关键帧内容识别方法。首先通过运动目标检测及二值图像的聚散熵,对监控视频进行子镜头划分,从而提取视频关键帧。其次归一化关键帧中的待识别目标,提取待识别目标的形状统计特征。再次构造LVQ网络并利用遗传算法对网络的初始权值进行优化,训练网络实现关键帧内容识别。最后列举出该方法的实验结果及性能分析。该方法在关键帧内容识别的准确性和鲁棒性上都有良好表现。

遗传LVQ聚类算法

Kohonen提出了学习矢量量化(LVQ)聚类算法及网络对聚类分析产生了深刻的影响,但LVQ存在神经元未被充分利用以及算法对初值敏感的问题。通过对LVQ聚类算法进行分析,根据基因算法的特点,论文提出一种结合基因算法与LVQ聚类算法的改进方法。实验结果证明改进的算法较LVQ聚类算法对初值具有明显的稳定性和有效性。

基于EM算法的有监督LVQ神经网络及其应用

针对监督LVQ神经网络存在神经元未被充分利用以及输入样本和竞争单元之间的信息被浪费等问题。通过将EM算法引入到LVQ神经网络中,提出了基于EM聚类算法的有监督LVQ神经网络(即EMLVQ网络),从而弥补了LVQ神经网络的不足且具有EM算法提取样本信息精确的优点。通过参数的简化可以得到EMLVQ算法是软竞争格式(SCS)的一种推广。最后将它们应用于说话人辨识。实验表明,EMLVQ神经网络辨识说话人取得了很好的效果。

GA优化LVQ网络的配电网接地故障选线方法

针对配电网故障相电压过零点且高阻接地故障选线困难的问题,文中提出了应用遗传算法优化学习量量化神经网络的配电网单相接地故障选线方法。首先利用小波分析方法提取线路零序电流信号的模极大值,以此作为学习量量化神经网络的输入向量,采用局部搜索算子改进的遗传算法去优化神经网络的初始权值向量,解决了网络对初始权值的敏感性问题。加速网络的收敛过程,提高网络的聚类精度,实现对不同故障类型进行故障线路的快速、准确识别。仿真结果表明,该方法有效地减少了传统学习量量化神经网络选线的误判几率,提高了选线速度和精确度。

遥感图像分类中的遗传算法LVQ神经网络运用

对于遥感图像分类过程中的问题,提出遗传算法LVQ神经网络来实现遥感图像的分类。将LVQ神经网络结合遗传算法,使用遗传算法最优阈值与权值实现网络训练,使分类精度得到提高。之后融合相似灰度值创建分类图像特征矢量,使特征矢量在神经网络中输入实现训练。学习矢量量化神经算法对初值非常敏感,对遥感图像分类精度具有一定影响。最后,为了对性能进行测试,在实验过程中对比本文分类方法和SVM决策树分类方法,通过实验结果表示,文中提出的分类方法的遥感图像分类精度为95.82%,与其他分类方法相比,分类精度得到进一步提高。

LVQ神经网络在交通事件检测中的应用

提出一种基于LVQ神经网络的交通事件检测方法。提取上下游的流量和占有率为特征,LVQ神经网络作为分类器进行交通事件自动检测。LVQ网络结构简单,但却表现出比BP神经网络更强的有效性和鲁棒性。为进一步提高神经网络的泛化能力,采用改进的Boosting算法,进行网络集成。运用Matlab进行了仿真分析,结果表明提出的交通事件检测算法具有良好的检测性能。

基于LVQ神经网络的改进覆盖算法

覆盖算法是一种具有高分类准确度和强泛化能力的构造性神经网络分类算法。针对其选择覆盖中心的随意性,结合竞争性神经网络方法对覆盖算法进行改进,在覆盖学习之前进行预学习,选择最佳覆盖球形中心,来优化覆盖。通过标准UCI测试数据实验的比较,从分类的准确性和覆盖个数方面进行对比,得到改进的覆盖算法有很好的效果。

基于LVQ神经网络的城市快速路事件自动检测算法

基于具有自组织功能的学习矢量量化(LVQ)神经网络设计了城市快速路异常事件的自动检测算法,提出分车道检测的构想。研究了原始数据筛选、输入向量模式、神经元个数及检测时段等参数的选择。基于小波分析技术对原始数据的高频噪声进行滤波,引入长车流量作为输入参数,并对比了引入前后的检测效果。选用加利福尼亚算法作为评价的参考依据,对其执行过程和门限值的选择进行了研究。

基于改进遗传算法和LVQ神经网络包裹算法的特征筛选

在皮肤症状计算机辅助测试系统研究中,症状特征的筛选是提高系统诊断的关键问题,针对这个问题提出基于遗传算法和LVQ神经网络相结合的包裹算法。同时为了提高搜索效率,采用改进的自适应遗传算法。并用留一交叉法验证LVQ神经网络分类器的识别率,对初步提取的体现病态皮肤症状特点的22个特征以及它们的10个随意组合构成的干扰项进行特征选择,选择出使皮肤症状诊断率得到明显提高的特征组合。实验证明该方法是可行的。

基于LVQ神经网络的飞行作动器故障诊断

为了对飞行作动器的故障进行有效辨识,使飞行员能够在更短时间内对故障进行处理,提出了基于自组织映射神经网络的学习向量量化算法;使用此方法在大步长采样下对飞行作动器的卡死和损伤故障进行训练和辨识,并尝试运用小波包技术分解小步长采样数据,结合自组织映射网络对分解后的数据进行分析;检验结果表明,大步长采样下,检测和分类效果令人满意,且具有良好的网络的泛化能力,而在小步长采样下,自组织映射网络不能有效区分故障类型,识别失败。

LVQ聚类算法在爆炸物THz光谱识别中的应用

运用THz光谱特性进行爆炸物的识别,是现代检测技术研究的一个热点。由于直接对原始数据进行聚类的识别率并不理想,首先对实验样本的THz频域光谱数据曲线进行二阶导数变换,得到了更能表现数据变化趋势和峰值的特征曲线,然后基于该特征曲线利用LVQ神经网络聚类算法,设计并用VC++6.0实现了THz光谱自动分类识别系统。分别对RDX、DNT、TNT、HMX四种爆炸物进行识别对比实验,运用原始数据训练出的分类器,识别率为96%,运用变换过后的特征数据训练出的LVQ分类器,识别率可以达到100%。实验证明,所设计的基于LVQ的神经网络分类器具有强大相似特征聚类功能和较高的识别率。

基于免疫克隆算法的LVQ聚类算法权值优化

学习矢量量化(LVQ)聚类算法存在严重的对初值敏感的问题,若初值的选择偏差太大,就不会产生好的聚类效果,致使聚类精准度不够。免疫克隆算法具有很强的群体搜索能力,将免疫克隆算法用于优化LVQ聚类算法的初值,并将改进得到的聚类算法用于对IRIS数据集进行分类。分类结果与标准的LVQ算法的比较表明,改进后的聚类算法在稳定性上有了较大幅度的提高。

遗传优化LVQ神经网络在设备故障诊断系统中的应用

为了提高设备故障诊断的准确度,采用LVQ神经网络来完成设备故障定位及识别,并借助遗传算法求解LVQ神经网络权重初始值。在设备故障诊断的建模过程中,根据实际故障情况和故障常见类别建立LVQ神经网络的设备故障诊断模型,充分挖掘LVQ神经网络在机械设备故障诊断细粒度的优势,为了防止因为故障细粒度诊断而造成收敛过慢的情况,对LVQ神经网络的权重和阈值初值进行遗传算法求解,然后在进行LVQ神经网络的迭代训练,得到稳定的LVQ神经网络故障诊断模型。经过实验证明,相比于传统的LVQ神经网络算法,采用基于遗传算法优化LVQ神经网络的设备故障分类,分类准确度更高,训练时间更快。

基于LVQ网络的液压系统故障诊断方法研究

针对液压系统故障诊断的复杂性,阐述了基于LVQ算法进行液压系统故障诊断的基本原理,并以某型导弹转载车的下车液压系统为例进行了仿真验证。仿真结果表明,该方法具有良好的故障模式识别能力,对一般的液压系统具有良好的适用性。

基于改进的LVQ神经网络图像边缘提取研究

针对传统的学习向量量化神经网络(GLVQ)具有初始值敏感、数据浪费以及权值训练不稳定等缺点,提出了一种基于广义学习向量量化神经网络的改进算法(MGLVQ)。MGLVQ神经网络是利用人工鱼群算法对权值离线粗调之后,再使用引入损失函数的梯度寻优算法对其进行在线细调。将该改进算法用于对图像每个像素的分类,实现图像的边缘提取。仿真结果表明,在Lena图像中GLVQ神经网络边缘点为整个像素的45.08%,而MGLVQ提取边缘点的比例为28.58%,即在整个像素分类中GLVQ比MGLVQ错误分类率高16.51%。相比于GLVQ神经网络,MGLVQ拥有更强的去除噪声的能力和更好的边缘检测效果。

基于LVQ网络算法的目标分类方法

随着机器人技术的不断发展,构建未知空间的环境地图以成为移动机器人技术中具有挑战性的研究课题。自主环境建模体现了机器人的感知能力和智能水平,在实际应用中具有十分重要的意义。文章研究了学习矢量量化算法在智能机器人对环境障碍物识别中的应用以及噪声、振幅、声纳TOF数据的偏移、距离以及目标体(锐角和边角)的角度等因素对系统分类性能的影响。实验表明,该方法对上述各种影响因素具备一定的鲁棒性,从而使得移动机器人能够在较大的距离范围内快速、可靠地识别室内各种典型障碍物。