自组织特征映射网络在储层识别中的应用

针对泌阳坳陷安棚油田下第三系致密砂岩储层低孔、低渗、高含水饱和度所造成储产层与非储产层在测井曲线上不易识别的特点，选用了自组织特征映射网络模型（ＳＯＭ），利用测井曲线参数，建立了安棚油田非常规储产层的预测识别模型。经验证，已知样本吻合率达８２．２％。     

特征主元提取与自组织影射的剖析

剖析了用神经网络实现特征主元提取（ＰＣＥ）、自组织特征影射（ＳＯＦＭ）、类扩展自组织语义影射（ＳＯＳＭ）和改进的特征细化自组织影射．通过对运载工具的特征压缩，进行可视性分析，结果表明ＰＣＥ和ＳＯＦＭ都能显示事物间的类似程度和关系结构，具有语义影射的功能．特征细化的ＳＯＦＭ同样能达到类扩展ＳＯＳＭ细化分类的功能，它克服了类扩展的ＳＯＳＭ增加输入特征的维数、增加不必要的计算量、输入特征与影射结果不相一致的缺点．     

改进的自组织特征映射算法及其在图像矢量量化中的应用

从自组织特征映射算法的基本思想出发，通过研究ＳＯＦＭ算法在设计矢量是一化码忆上时存在的问题。对其进行了改进，计算机模拟实验的结果表明，改进后的ＳＯＦＭ算法有效地改善了图像编码质量，同时大幅度降低了码书的训练时间，算法简单，易于硬件实现。     

基于SOFM神经网络的图象矢量量化的研究

分析了自组织特征映射（ＳＯＦＭ）算法,讨论了按加权函数控制邻域半径的方法,并对ＳＯＦＭ算法应用于图象矢量量化进行了系统的仿真实验研究,为实际应用提供了实验依据和基础。     

SOFM和HMM在矢量量化码本优化中的应用

在语音压缩编码中，矢量量化占有很大比重和计算量。码本的好坏与方法的选择有很大关系。将基于神经网络的ＳＯＦＭ（自组织特征映射算法）和ＨＭＭ（隐含马尔可夫过程）应用于矢量量化，从而产生更为优良的码本。     

用于SOM神经网络语音识别的自适应局部搜索算法

采用一种基于自组织特征映射（ＳＯＭ）神经网络和隐马尔柯夫模型（ＨＭＭ）法结合的语音识别方法．根据语音信号的相关性，提出了一种自适应局部搜索算法．结果表明，该算法相对于全搜索算法而言，计算量小而又不降低识别率     

序列图像编码的一种神经网络方法

根据Ｋｏｈｏｎｅｎ自组织特征映射（ＳＯＦＭ）算法的特点，提出了一种分阶段ＳＯＦＭ的边缘保持码书的设计算法。将帧间块匹配、帧内块匹配与多级矢量量化有机地结合，给出了序列图像编码的快速实现算法。计算机模拟实验结果表明，在相同块大小的前提下，本算法各方面性能较优，主观质量好，无误差累积效应，快速简单，实用性强。     

利用改进的自组织网络进行地震属性分析

自组织神经网络结合地震属性技术往往被用于进行地震相的自动识别,但在实际应用中存在着一些问题难以解决：如神经网络的分类识别能力问题、怎样选取地震属性、怎样解决自组织聚类的有序映射等。对Kohonen自组织网络进行了部分改进,并利用灵敏属性分析技术来解决地震属性的选择问题,最后结合自组织聚类参数利用RBF网络对储层参数进行预测,较为有效地提高了地震多属性储层预测精度。     

用二维阶次规正不变矩识别三维目标

论述了用二维投影图像的矩不变量来识别三维目标的方法。该方法有效地降低了目标识别的维数，简化了目标匹配和识别的算法。通过考察阶次规正不变矩ＯＮＭＩ的性能，证明了ＯＮＭＩ有效地减小特征量的动态范围并提高了其抗噪性。分类结果表明，该特征平衡方法比如加权因子法更有利于目标的识别分类。     

基于自组织映射网络的齿轮故障分类识别

分析了自组织映射网络算法，在U-矩阵方法基础上提出了一种改进的可视化训练结果方法，并应用于齿轮故障的模式识别，研究表明，自组织映射网络能对齿轮状态进行正确分类，有效识别故障模式，改进的可视化方法能更加清楚地显示网络训练结果，两者结合可以扩展应用于机械设备的状态监测和故障识别。     

基于粒子群优化和SOM网络的聚类算法研究

利用改进的粒子群优化算法(PSO)的优化性能,结合SOM网络模型,提出了一种基于粒子群优化算法和SOM网络的聚类算法(PSO/SOM),使用PSO对SOM网络进行训练来代替SOM的启发式训练方法.将PSO/SOM算法用于对Wine和Iris等数据集进行模式聚类识别,可以得到较优的聚类识别效果.相比标准SOM算法能有效提高网络映射的准确程度,降低网络的量化误差和拓扑误差,同时也降低了错聚率,实验结果验证了本算法的有效性.     

SOM神经网络应用于声目标识别系统的可行性分析

利用小波分析技术提取的特征,设计了SOM神经网络识别器,并用常规的BP神经网络识别器来比对分析,考察SOM神经网络识别器应用在声目标识别上的可行性。试验结果证实,SOM神经网络应用在声目标识别系统是可行的。     

一种新的自组织神经网络算法

为有效提高矢量量化码书的性能和学习效率,需进一步改进自组织神经网络的学习算法.在分析Kohonen自组织特征映射算法(SOM)的基础上,提出了一种基于频率敏感的自组织特征映射算法(FSOM),并应用到图像矢量量化中,实验表明,FSOM算法具有聚类特性好和训练速度快等优点,是一种有效的码书设计算法.     

基于SOM改进的K-Means聚类算法

随着网络技术和相关学科的发展,入侵检测技术日趋成熟.对SOM算法和K-Means算法进行了具体的分析,提出了一种基于SOM和K-Means的使两类算法优点相结合并克服各自不足的聚类算法,提高了聚类信息的精确度、对攻击的识别率和系统的整体性能.     

SOM网络与SVM在水质富营养化评价中的对比

针对复杂水环境中的富营养化评价问题,利用三峡库区水体富营养化监测数据,对自组织映射神经网络和支持向量机模型在解决该评价问题上的性能表现进行对比研究。实验结果表明,2种模型均有较快的计算速度和较高的精度,但与自组织映射网络模型相比,支持向量机模型具有更好的稳定性和抗干扰能力,在参数选择上更为简单。     

烃源岩<2 μm黏土粒级组分可溶有机质的测定及意义

通过对烃源岩中提取<2μm黏土粒级组分进行总有机碳(TOC)测试、氯仿抽提和族组成分析,探讨了烃源岩中可溶有机质与细粒级黏土矿物的关系,与传统烃源岩全岩可溶有机质研究对比得出:与细粒级黏土矿物结合是烃源岩全岩可溶有机质的重要赋存方式之一;黏土粒级组分可溶有机质产率高于全岩,70%以上样品产率在100 mg.g-1以上;产率变化与全岩同步,但高峰期较全岩滞后,在生烃不同阶段黏土粒级组分对可溶有机质都有重要贡献.<2μm黏土粒级组分是烃源岩中可溶有机质的主要载体,两者形成的复合体是一种潜在生烃母质,而且贯穿于有机质生烃的全部过程,在油气研究中应予以足够重视.     

RSOM算法及其应用研究

神经网络以其优越的非线性拟合能力和强大的自组织模式分类能力已被用于许多模式识别问题,并取得了很好结果．但是对于大样本集分类和复杂模式识别问题,大多数常规神经网络在决定网络结构与规模、设计自学习算法和应付庞大的计算量等方面存在诸多困难．为了克服这些困难,在Kohonen自组织映射模型(SOM)的基础上,提出了两种基于类别可分性判据RSOM分类树：非结构自适应的RSOM-Ⅰ分类树与基于奇异值分解方法的结构自适应RSOM-Ⅱ分类树,这两种分类树的每个节点由拓扑有序的自组织映射网络组成．RSOM分类树的优点在于处理大样本集和复杂模式的识别问题时能够自适应地确定网络的结构和规模,最后的数据试验就是很好的佐证．     

基于改进的自组织映射网络的化工过程故障分类辨识

将自组织映射网络(SOM)应用于化工过程故障数据的分类辨识,并采用粒子群优化(PSO)算法优化权重失真指数(LW D I),代替SOM的启发式训练算法,形成粒子群优化的SOM(PSO-SOM)分类算法。以某工厂甲醇合成反应器数据为研究对象,研究结果表明:对比基本SOM算法,PSO-SOM算法对复杂的故障数据能够得到较优的分类辨识结果,对甲醇合成生产中的故障诊断有非常显著的指导作用。     

CAJViewer在学术文献使用中的功能与技巧

CAJViewer作为一款专门的学术文献浏览软件,兼容多种文献格式,具有浏览页面、查找文字、文本识别、邮件传输等功能。支持PDF的浏览和集成OCR文本识别是该软件的两大亮点,准确及时解决可能出现的问题,灵活使用其功能,可极大地方便用户对学术文献的浏览和使用。