基于SOM-PNN分类器的体数据概率分类及绘制

概率分类是三维医学体数据绘制必不可少的预处理环节．本文提出的SOM－PNN分类器，以贝叶斯置信度为基础，给出概率分类结果，并用于三维体绘制，得到了良好的图像质量和较高的分类效率．传统的参数模型方法的主要缺点是预先假定的概率分布函数形式不一定符合待分类的数据．非参数模型方法，如PNN分类器，可以有效地克服参数模型的缺点，但其巨大的内存开销与低的分类速度使得用PNN作图像分类几乎不可行．SOM具有良好的自组织聚类能力，但无法直接给出概率分类结果．本文提出的SOM－PNN分类器在SOM聚类的基础上，利用PNN进行概率分类，结合了SOM自组织聚类和PNN概率分类的优势，同时克服了传统参数模型分类的局限性．实验结果证实了SOM-PNN分类器具有分类精度高、速度快及揭示细节的能力．

基于SOM-PNN的信贷风险预警模型研究

信贷对现代市场经济非常重要,同时又会带来风险.以人工智能的思想为指导,将SOM与PNN网络相结合,提出并建立了一种基于SOM-PNN的信贷风险预警模型;结合统计理论方法对输入样本进行预处理,解决了网络训练中样本选用的问题;并利用因素分析方法对预警结果进行了解释.实验表明,利用该模型在得到可视化预测结果的同时,还可得到较高的预警精度.

基于SOM-PNN神经网络的城市环境风险预测算法研究

人工神经网络(ANN)基于生物神经网络的结构与功能,能够对数据进行分布式存储和并行处理。自组织特征映射模型(SOM)和概率神经网络(PNN)是ANN算法常用的模型。文中基于两种模型各自的特点,将两者串联。SOM将由两层神经元组成的二维拓扑结构用于获取和预测数据。PNN模型转换SOM的输出结果,直接输出模型最终分类结果。基于该模型的算法可以提升运算速度,去除了噪声样本的干扰,极大地提升了模型的精度。目前,京津冀区域的环境已陷入较高风险状态之中。文中以京津冀区域SO2浓度预测为例,运用SOM-PNN模型得到了城市各要素对SO2浓度影响机制的可视化输出结果和区域环境的高精度预测,进一步验证了该模型的可行性和有效性。

一种基于组合神经网络的测量数据质量分析方法

雷测设备过捷径点时测量数据不稳定,是困扰数据事后处理的重要问题之一。提出一种SOM-PNN组合神经网络,通过对设备历史数据的“学习”,将该设备测量数据的变化“规律”存储于神经网络中,在实际任务中使用该网络分析捷径点测量数据质量,根据结果进行相应加权或剔除,进而提高弹道解算精度。采用仿真数据验证了该方法的有效性。

神经网络在非石棉垫片分类中的研究

提出运用神经网络的分类方法来对已知的15种非石棉垫片的配方数据进行分类。分别运用神经网络中的PNN,LVQ和SOM神经网络对其进行分类。结果表明,PNN神经网络和LVQ神经网络在所提供的数据中均能进行有效的分类,而SOM的分类结果则不太理想。

科学计算可视化理论与应用研究进展

清华大学计算机系计算机图形学与可视化技术研究组 10年来先后对三维规则数据场的体绘制算法、面绘制算法、非规则数据场可视化、散乱数据可视化、科学计算可视化的并行算法、三维复杂模型的多分辨率表示等问题进行了研究 ,提出并实现了多项有创新性的科学计算可视化算法 ,并将其应用于医学数据、气象数据及石油勘探数据的可视化 ,自主开发了三维数据场可视化实用系统。该文介绍研究组在科学计算可视化领域取得的主要理论和应用成果 ,并指出进一步的工作方向。