采用SOM算法的软体机械臂三维形状实时感知

为实现软体机械臂精确的三维形状实时估计,奠定变形控制与应用的基础性工作,针对三段式软体机械臂,提出了一种基于自组织映射(Self-organizing map,SOM)算法的三维空间形状实时感知方法。首先,对ZED双目相机捕捉到的左、右图像帧进行图像预处理,得到左、右二值图像,并实时提取软体机械臂的二维轮廓数据。然后,采用SOM算法对轮廓数据进行聚类,有序得到软体机械臂二维中心线的多个骨干点,并与K均值,高斯混合模型以及细化3种中心线提取算法进行了对比研究,进一步表明SOM算法更适用于解决软体机械臂复杂形状的中心线辨识。最后,通过基于双目视差的三角测距模型完成软体机械臂的三维形状重构。该算法还采用数据降采样、SOM参数优化等方法,提高算法框架的实时性能。针对软体机械臂连续形变过程,进行了实时形状传感实验和对比验证实验。实验结果表明,该算法具有较高的形状感知精度和较好的实时跟踪效果。不仅如此,与其他文献中提出的形状检测算法相比,该算法也具有较好的性能。

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.

基于物联网和SOM算法的信息监控系统设计

在物联网环境下进行信息监控系统设计,实现对网络信息的监控和自适应采集,保障网络安全;针对采用传统的神经网络控制方法进行信息监控的数据挖掘准确性不好的问题,提出一种基于物联网和自组织映射SOM算法的信息监控系统设计方法,首先进行信息监控系统的总体设计和功能模块化分析,然后设计改进的SOM算法,应用在信息监控的数据挖掘和分类识别中,在程序加载模块中进行算法加载,最后在物联网环境下构建嵌入式Linux内核进行信息监控系统的软件设计和开发;系统仿真实验结果表明,采用该信息监控系统进行大型物联网的数据信息监控,对数据的准确挖掘和识别性能较好。

连续输入的SOM算法的权值收敛性

研究了自组织映射 (SOM )算法的权值收敛性问题 ,提出了一个连续状态下的目标函数 ,由这个目标函数出发利用Robbins_Monro算法证明了连续状态下的自组织映射的权值将收敛到一个稳定值 。

基于SOM算法的农村移动通信市场细分

为了保持移动通信的高速发展和促进市场规模的不断扩大,移动通信运营商开始将目光投向普及率较低的农村市场。从市场细分的视角研究农村移动通信市场的开发策略,采集了农村通信市场调查问卷,并通过SOM算法进行了聚类,形成了细分市场模型,给出了不同细分市场的开发策略,为农村移动通信市场的开发提供参考。

基于改进的SOM算法的区域经济评价实证分析

改进SOM算法,将它应用于区域经济评价的模式分类。再以龙岩市7个县(区、市)为例,对区域经济评价模式分类、主成分进行分析阐述,并运用MATLABR2007加以实现,实例计算表明效果良好。

基于SOM算法的机器视觉颜色识别

针对机器人视觉系统光适应性差的弱点,利用SOM(Self-organizing Map)算法良好的聚类效果,把该算法应用于视觉系统的颜色分类中,使视觉系统具有学习能力去适应环境的变化.仿真结果表明,采用SOM算法的视觉系统颜色识别率有所提高.

基于SOM算法的农村移动通信市场细分

为了保持移动通信的高速发展和促进市场规模的不断扩大,移动通信运营商开始将目光投向普及率较低的农村市场。本文从市场细分的视角研究农村移动通信市场的开发策略,采集了农村通信市场调查问卷,并通过SOM算法进行了聚类,形成了细分市场模型,给出了不同细分市场的开发策略,为农村移动通信市场的开发提供参考。

基于SOM算法的文本聚类实现

以自组织映射(Self-organizing Map,SOM)算法作为理论基础,实现对文本聚类,并采用U矩阵进行可视化表示。通过对聚类结果的分析,表明SOM算法具有较好的聚类效果。

基于SOMK算法的T-S模糊系统建模方法

针对T-S模糊系统建模中的结构辨识和参数辨识问题,以自组织特征映射SOM算法与K-means算法相结合的SOMK算法对输入样本进行聚类,同时以Davies-Bouldin(DB)指标来验证聚类的有效性,得到最佳聚类数即为T-S模糊系统模型的规则数。然后用所得模糊规则数和聚类中心来辨识T-S模糊系统模型前件参数进而采用最小二乘算法来确定模糊推理规则的后件参数。最后,用仿真实例验证了文中所提出的建模方法与相应算法。仿真结果表明,该方法逼近精度高,泛化能力强,具有较好的实际应用价值。

基于K-means优化的SOM神经网络算法的视频推荐系统

为解决视频推荐系统中推荐精度不够精准的问题,提出一种K-means优化的自组织映射(Self-organizing Map,SOM)神经网络视频推荐方法。首先,爬取视频网站的数据并对其进行处理;其次,将处理后的数据输入K-means算法优化的SOM神经网络中,得到聚类结果;最后通过计算归类视频的弹幕数量、点击量、评分等推荐出优秀的视频。文中系统的预期结果为在主界面选择分类并输入关键词之后,通过算法计算,为用户推荐感兴趣的视频,并按评分高低列出视频的超链接。实验结果表明,优化的SOM算法在视频推荐的精度上提升了5%—8%。

基于SOM的海表温度遥感数据集的EOF算法重构

针对海表温度数据集的数据缺失,提出了一种基于自组织映射算法(SOM)和经验正交函数算法(EOF)有机结合的重构缺失值的新方法。该方法应用了SOM的非线性估计,能够很好的反映数据集的非线性结构,并把SOM估计的结果用于EOF算法的初始化,克服了EOF对数据集初始化敏感的问题。在处理过程中,对奇异值分解使用了lanczos算子分解矩阵,提高了程序运行效率。此外,该方法还引入蒙特卡罗交叉校正集,确定最佳重构的EOF模态数,最终高精度计算出重构误差。使用AQUA遥感卫星海表温度数据进行实验,结果表明该方法能够很好地重构出缺失率高达83.23%的数据集,且重构精度高。

基于SOM和PSO聚类组合算法的客户细分研究

文章在对RFM指标体系进行分析的基础上,应用自组织特征映射(SOM)神经网络和粒子群优化(PSO)的聚类组合算法,通过客户关系的特征衡量分析客户的内在价值和忠诚度,对客户数据进行了科学、客观、深层次的挖掘分析,为企业有针对性的制定营销策略提供了依据。

基于改进RFM模型与聚类算法的民航客户细分研究

对于传统的RFM模型客户细分而言,由于缺乏科学的指标而无法针对航空市场进行精确的细分,因此提出TLFM模型作为细分的指标,利用自组织映射(SOM)算法和“手肘法”确定k-means算法的最佳k值,从而得到航空市场客户细分的结果。最后根据客户细分的情况和各类客户的行为特征,提出差异性的服务和不同的营销策略来提高航空公司的竞争力。

基于SOM神经网络算法的配电台区低压出线终端设计

针对配电台区低压出线终端的用户关系容易变化的问题,提出了一种基于SOM神经网络算法来获取配电台区拓扑结构的算法,通过更新低压配电台区的拓扑结构来发现配电台区的故障,进行故障修复。

一种新聚类算法在基因表达数据分析中的应用

自组织特征映射神经网络与层次聚类算法是两种较经典的分析基因表达数据的聚类算法,但由于基因表达数据的复杂性与不稳定性,这两种算法都存在着自身的优劣。因此,在比较两种算法差异性的基础上,创造性地提出了一种新算法,即通过SOM算法对基因表达数据进行聚类,再用层次聚类将每个类对应的神经元权值二次聚类,并将此算法应用在酵母菌基因表达数据中,用实验证明改进算法克服了自组织算法的一些缺陷,提高了基因聚类的效能。

竞争层结构可调SOM网络在中药模式识别中的应用

针对经典SOM算法无法准确反映原始数据的特征信息,提出了竞争层结构可调的SOM算法——CSA-SOM算法。该算法增加了竞争层神经元动态调节的步骤,调节的依据是不断比较原数据的位置信息和映射后低维空间的位置信息,使两者最终能趋于一致。因此降维后的数据能够较好地保持原数据的特征,包括距离信息、角度信息以及分布信息。该算法有效地实现了红景天药材的准确清晰分类。算法理论分析和实验结果均表明,CSA-SOM算法是一种快速、准确的数据内在规律映射可视化算法,与SOM算法相比,CSA-SOM算法的特征映射效果比较好,解决了SOM算法会使映射后数据结构发生扭曲的问题。

基于SOM神经网络的秦岭北麓保护区域村庄分类与发展策略

保护秦岭生态环境是推进生态文明、维护生态安全、促进秦岭范围内人与自然和谐共生的重大举措。协调秦岭北麓区域内生态保护与镇村发展间的矛盾,是未来秦岭生态环境保护工作的重中之重。为了合理制定秦岭生态保护与区域内村镇建设规划方案,构建考虑生态保护区特点及乡村自身属性特征村庄的多维度乡村分类评价指标体系,引入SOM神经网络方法建立了适用于秦岭北麓区域生态特点的乡村分类模型与指标体系,基于区域内475个村庄的调查数据识别乡村类型,提出了针对不同乡村特征的发展策略。研究表明:经过充分训练的SOM神经网络分类模型可以有效识别不同村庄的相同特征值属性,村庄类型识别精度较高,该模型具有良好的适用性和科学性,为乡村政策制定和优化提供了支撑。

基于MST聚类的空间数据离群挖掘算法

空间离群是指空间邻域中属性特征值明显不同于其他对象的空间对象,空间数据离群挖掘能为人们提供很多有趣的信息,但空间数据具有复杂的拓扑关系、方位关系和度量关系等空间特征,传统的面向事务型数据库的离群挖掘算法并不适用于空间数据库。本文提出了基于MST(Minimum Spanning Tree,最小生成树)聚类的空间数据离群挖掘算法(SOM);有机结合了最小生成树理论与密度的方法,既体现了空间离群的局部特性,又体现了空间离群的孤立程度。该算法通过MST维护空间数据的基本空间结构特征,通过打断MST中最不一致的边形成MST聚类,不仅具有密度的聚类方法能够聚集非球状簇和分布不均的数据集的特点,而且聚类结果不依赖于用户参数的选择,因此,离群挖掘结果更合理。最后,通过实例数据,验证了该算法的有效性,它适用于大规模空间数据集的离群挖掘。

基于混合智能算法的卫星图像分割技术研究

卫星图像数据量大、特征信息丰富、背景复杂、拍摄过程中易受干扰,用一般的基于参数统计的图像分割方法难以实现准确的分割;将自组织映射算法(SOM算法)和具有爬山过程的遗传算法(HGA算法)结合在一起,建立了一种基于混合智能算法的图像分割方法,用于卫星图像的分割;此方法通过SOM算法进行颜色特征提取,再通过HGA算法进行颜色特征聚类,实现对卫星图像的分割;实验结果表明基于混合智能算法的图像分割技术分割效果的准确率达到了91%,可以较好地分割卫星图像,具有较高的分割准确性。