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。

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。

基于高维小波神经网络的热连轧板材质量模型研究

热连轧板材的生产要经过多道工序,影响板材质量的因素众多,且与板材质量之间是极其复杂的非线性关系.本文采用LVQ(Learning Vector Quantization,学习矢量量化)神经网络对热连轧板材的生产样本数据聚类,然后按照热连轧板材的生产工序构建基于双输入层高维小波神经网络的热连轧板材质量模型,将板材炼制的输入参数置于网络的第一输入层,将板材轧制参数置于网络的第二输入层.仿真结果表明,改进的模型拟合命中率达到92.3%,测试命中率达到84.5%,可以满足企业生产的需要.