基于数据场的Kohonen聚类神经网络

Kohonen聚类神经网络（KCN）在处理数据集的聚类问题时具有良好的准确性.但KCN算法在随机选取初始权值时存在不足,而且在处理存在孤立点和“噪声”时算法鲁棒性和可靠性较差.使用数据场的概念对KCN聚类算法进行了有益的改进.实验表明,改进后的算法相对于随机选取初始权值具有较高的准确率。摘要：Kohonen聚类神经网络（KCN）在处理数据集的聚类问题时具有良好的准确性．但KCN算法在随机选取初始权值时存在不足，而且在处理存在孤立点和“噪声”时算法鲁棒性和可靠性较差．使用数据场的概念对KCN聚类算法进行了有益的改进．实验表明．改进后的算法相对于随机选取初始权值具有较高的准确率．     

基于Relief算法的特征学习聚类

聚类作为数据挖掘常用工具之一,是按照事物间的相似性进行的一种无监督分类．然而传统的聚类方法较少考虑特征权值．为此,通过研究、分析Relief算法及其在聚类应用中存在的问题,提出了一种基于Relief算法的特征评价函数,并将此函数运用到特征学习聚类中,以解决特征权值取值不当对聚类产生的负面影响．     

混合算法实现的RBF神经网络及在模式辨识中应用

把模糊聚类算法和RBF神经网络结合起来,得到一种基于混合算法的RBF神经网络.首先由改进的FCM算法确定神经网络结构;然后利用监督学习对网络参数进一步优化,并对输出权值调整.使网络不仅具有最优的拓扑结构,而且又具有较强的映射能力.对驾驶员的疲劳程度进行识别,得到了满意的结果.     

一种改进的SOFM聚类算法研究

针对常规SOFM(self-organizing feature map)无监督的神经网络,提出了一种改进的自组织特征映射SOFM神经网络算法。在常规SOFM网络数据聚类算法基础上,分析了其在实际应用中存在的不足,对初始权值设定以及邻域范围选择等方面进行了算法的优化和改进,进而提高了SOFM神经网络聚类算法的正确率、收敛速度和实时性,并利用仿真实验进一步对提出的改进算法进行了验证。     

基于半监督的模糊C-均值聚类算法

通过将半监督学习的思想引入到模糊C-均值聚类方法中,提出一种基于半监督的模糊C-均值聚类算法,有效解决了模糊C-均值聚类算法随机选取初始聚类中心导致聚类结果局部收敛的问题,能客观获取最佳聚类数目和初始聚类中心.实验结果表明,与传统模糊C-均值聚类算法相比,基于半监督的模糊C-均值算法在一定程度上减少了迭代次数,降低了对初始聚类中心的依赖性.     

一种基于复杂网络属性值的K-means聚类算法

传统-means聚类算法的性能依赖于初始聚类中心的选择.本文将复杂网络节点的属性值作为节点的度、聚集度与聚集系数的加权值,通过计算所有节点的加权综合聚集特征值,选取综合聚集特征值高,并且彼此之间无高聚集性特征的K个节点作为聚类的初始聚类中心,然后进行聚类迭代过程.实验结果表明,新算法对初始聚类中心的选取更迅速有效,避免了传统K-means算法初始聚类节点选取的敏感性,进而提高K-means算法的聚类质量.     

K-均值算法聚类分析及其在人力资源管理中的应用

本文提出了一种改进的K-均值聚类算法,在基本K-均值算法的基础上运用基于密度选择初始中心点并且通过学习特征权值改进聚类效果,克服了基本K-均值算法初始中心点难以确定、聚类结果不稳定的缺点;然后建立了一种基于改进的K-均值算法的人事管理系统聚类分析模型,本模型采用SQL Server2000数据库实现并成功运用于国内一家知名软件企业的人力资源管理系统中,为该企业选聘人才和用好人才提供了有益的参考。     

面向LBSN的k-medoids聚类算法

常用的聚类算法存在诸多不足,为此提出了一种基于初始半径r的k-medoids改进算法,主要针对LBSN中的位置数据进行聚类,改善初始聚类中心敏感对聚类结果的影响,其本质是基于密度聚类,不同之处在于k值的选取是依赖于半径r.通过大量真实签到数据集进行实验,结果显示本文算法聚类结果更稳定.本文算法在基于位置的社交网络应用中获得更好的聚类效果和更快的收敛速度.实验中将距离平方和作为准则函数进行对比,相对于传统k-medoids算法优势明显,对退化的k-medoids算法也能够缩小1.2%到2%.     

基于自编码器的电力负荷聚类分析

电力负荷聚类分析研究是负荷特性模拟、需求侧管理等应用的基础。针对负荷数据日趋多样性、随机性,传统K-means算法无法有效处理高维数据,且存在人工给定聚类数目K值及随机选取初始聚类中心易收敛至局部最优的问题,本文提出一种基于自编码器(Auto-Encoder,AE)降维的电力负荷聚类方法。首先利用自编码器网络对采集的负荷数据提取特征,降低数据维度,然后通过密度权值Canopy算法对降维后的数据预聚类,得到初始聚类中心和最优聚类数目K值,将预聚类结果结合K-means算法进行聚类。算例结果表明,该方法能够有效对负荷数据进行特征提取,并减少聚类过程中的复杂度,提高了聚类结果准确度和聚类效率。     

基于聚类的超闭球CMAC神经网络改进算法

针对CMAC神经网络的网络节点随输入维数的增大呈几何级数增加的问题,提出了基于模糊聚类的超闭球CMAC神经网络改进算法。该算法通过对输入数据进行模糊聚类确定网络节点数和节点值,并根据输入输出数据通过模糊推理优化算法计算神经网络初始权值。与原算法比较,该算法可有效降低神经网络节点数,提高系统的学习精度。对一个多步时延的非线性系统的辨识仿真结果表明了该算法的可行性与有效性。     

基于半监督生成对抗网络的通信信号调制识别算法

针对小样本条件下通信信号识别混淆的问题,提出了一种基于半监督生成式对抗网络的调制识别算法.首先结合半监督学习思想利用少量标签数据和大量未标签数据训练网络;其次在输出层添加辅助分类器进行结果判定,针对性设计了目标函数和损失函数,以满足网络生成虚假数据和实现信号分类的目的;最后使用不同的激活函数并用反卷积和Dropout代替池化操作,有效降低了算法复杂度并加快网络收敛速度.仿真实验表明:该算法适应性强、计算量小,较传统算法识别准确率提升了6％ ～13％,有效实现了小样本条件下的调制样式识别.     

Aeroengine Fault Diagnosis Method Based on Optimized Supervised Kohonen Network

To diagnose the aeroengine faults accurately,the supervised Kohonen(S-Kohonen)network is proposed for fault diagnosis.Via adding the output layer behind competitive layer,the network was modified from the unsupervised structure to the supervised structure.Meanwhile,the hybrid particle swarm optimization(H-PSO)was used to optimize the connection weights,after using adaptive inheritance mode(AIM)based on the elite strategy,and adaptive detecting response mechanism(ADRM),HPSO could guide the particles adaptively jumping out of the local solution space,and ensure obtaining the global optimal solution with higher probability.So the optimized S-Kohonen network could overcome the problems of non-identifiability for recognizing the unknown samples,and the non-uniqueness for classification results existing in traditional Kohonen(T-Kohonen)network.The comparison study on the GE90 engine borescope image texture feature recognition is carried out,the research results show that:the optimized S-Kohonen network has a strong ability of practical application in the classification fault diagnosis;the classification accuracy is higher than the common neural network model.     

一种改进的模糊类聚 Kohonen 网学习算法

描述了一类模糊类聚Ｋｏｈｏｎｅｎ网络，对以往的算法加以改进，将监督算法与非监督算法加以合并，提出一种改进的算法。这种算法在计算机上模拟实现，并与通常算法加以比较，可看到识别效果得到明显的改善。     

基于神经网络的一种改进的向量量化方法

用LBG算法产生的码书,其码向量在码书中的排列是无序的.用此序号作为向量量化器编码输出时,对信道误码特别敏感.为了控制由于信道误码而导致整个向量量化通信系统性能严重下降,基于Kohonen网络的自组织特征映射(SOFM)算法进行向量量化分析,并针对SOFM算法性能上的缺陷,提出了一种改进的自组织特征映射算法.新算法引入失真敏感参数,对网络参数进行优化,通过调整码字的部分失真来指导神经网络的学习.通过仿真试验,从峰值信噪比的提高验证了算法的优越性.     

基于转换策略的多标记学习改进算法

针对传统转换多标记学习算法较难确定最低阈值的问题,该文对传统转换策略的多标记学习算法进行改进,提出了一种基于最低阈值的学习算法(TFEL),该方法根据类别标记学习为每个类别得到一个最低阈值.当分类器将一个测试示例预测为某个类别标记的分值大于为该类别标记学得的最低阈值时,则将该类别标记添加到该测试示例的最终分类结果中.实验结果表明, TFEL方法能够得到较好的分类效果,证明了该方法的可行性和有效性.     

基于改进学习矢量量化神经网络输电线路故障识别技术

针对输电线路距离长、覆盖范围广,易受到自然环境和人为因素的影响,对输电线路故障分类和识别非常困难.在输电线路故障分类中将经验小波变换与改进的学习矢量量化神经网络相结合,使用经验小波变换提取输电线路的故障特征,并使用改进的学习矢量量化神经网络识别故障特征.通过对不同故障类型、故障位置、过渡电阻和初始故障角度进行仿真,验证该模型的准确性和有效性.仿真结果表明,该方法在故障分类中具有一定的优势,不受上述因素的影响,具有良好的鲁棒性和故障分类性能.该研究为中国输电线故障识别技术的发展提供一定的参考.     

基于GF-1数据和非监督分类的冬小麦种植信息提取模型

针对当前冬小麦种植信息提取方法普遍存在严重依赖地面样本数据和人为主观干扰过多的现象,而非监督分类算法自身又具有独特的特点,研究了基于非监督分类的冬小麦提取方法。在实际应用中,非监督分类的初始分类数目难以准确确定,这会导致分类精度降低或分类结果需要进行二次人工合并。通过时间序列曲线和差值增强技术解决了初始分类数目难以准确确定的问题,提出了一种以归一化植被指数为冬小麦信息识别指标,基于高分一号数据和非监督分类的冬小麦种植信息提取模型。以河北省辛集市为研究区,应用该模型提取了2014和2015年辛集市冬小麦种植信息,并应用混淆矩阵方法进行精度验证和与监督分类方法对比分析。结果表明:①该模型冬小麦的制图精度为94.23%～96.64%,用户精度为92.31%～95.45%,Kappa系数0.89,整体精度达到94.33%以上;②在无需地面样本数据支持的条件下,该模型可以达到近似监督分类的提取精度。可见提出的冬小麦种植信息提取模型精度较高,可以满足区域内冬小麦种植信息地面遥感监测的需求,是一种行之有效的冬小麦种植信息提取新方法。     

基于去噪自编码器的镜像极限学习机设计

针对极限学习机在高维度、含噪声数据集中需要大量隐含层节点来保证分类性能的问题，设计了镜像极限学习机.该算法使用伪逆法确定输入权值，随机生成输出权值和偏置，在对数据进行分类时，它仅需极少的隐含层节点.为了提升镜像极限学习机的分类性能和抗噪性，将它与去噪自编码器相结合.利用去噪自编码器对输入数据进行特征提取，并将提取到的特征作为镜像极限学习机的输入数据，再进行网络训练.在无噪和含噪声的MNIST，Fashion MNIST，Rectangles和Convex数据集中，将基于去噪自编码器的镜像极限学习机与ELM，PCA-ELM，SAA-2和DAE-ELM作对比实验，结果表明，基于去噪自编码器的镜像极限学习机的综合性能最优，用于分类的网络隐含层节点数最少.     

基于去噪自编码器的镜像极限学习机设计

针对极限学习机在高维度、含噪声数据集中需要大量隐含层节点来保证分类性能的问题,设计了镜像极限学习机.该算法使用伪逆法确定输入权值,随机生成输出权值和偏置,在对数据进行分类时,它仅需极少的隐含层节点.为了提升镜像极限学习机的分类性能和抗噪性,将它与去噪自编码器相结合.利用去噪自编码器对输入数据进行特征提取,并将提取到的特征作为镜像极限学习机的输入数据,再进行网络训练.在无噪和含噪声的MNIST,Fashion MNIST,Rectangles和Convex数据集中,将基于去噪自编码器的镜像极限学习机与ELM,PCA-ELM,SAA-2和DAE-ELM作对比实验,结果表明,基于去噪自编码器的镜像极限学习机的综合性能最优,用于分类的网络隐含层节点数最少.