自组织神经网络在CRM中的应用

提出了一种利用自组织神经网络来进行海量数据的挖掘和分类归纳的方法,该网络实现简单,反应速度较快,而且分类准确,冗余性强,对企业决策具有指导意义.     

自组织神经网络在空中目标识别中的应用

本文研究了将自组织神经网络用于空中目标识别的方法,并基于此提出一个识别飞机及其诱饵红外图象的方案,提出目标表面的分形特征和熵特征,针对各特征量纲不统一,信息表达方式差异等特点,利用自组织神经网络来实现特征间的有效融合,实验表明,该方法具有较高的稳定性和准确性。     

Kohonen自组织神经网络在织物折皱等级评定中的应用

采用Kohonen自组织神经网络客观评定织物折皱等级，依据自组织神经网络的基本原理，结合自组织神经网络结构实现神经元的竞争和训练，并将结果输出到相应的分类模式中，以此确定试样的折皱等级，最后采用26种真实织物验证该方法的可行性。     

基于自组织竞争神经网络的硬件木马检测方法

针对目前硬件木马的侧信道检测普遍采用基于降维与主特征提取的分类方法,该方法在选取有用信息过程中可能会损失包含木马特征的关键信息这一问题,提出了一种基于自组织竞争神经网络的硬件木马检测方法.该方法在不损失有用信息的基础上,采用无监督学习的方式建立数学模型,对母本信息与待测信息进行分类判别.基于FPGA搭建了验证系统并对侧信道电流信息进行采集.数据处理结果表明:该方法可以有效检测出占母本电路面积0.16%的硬件木马.     

自组织神经网络算法的原理及其应用

本文介绍了自组织神经网络算法（以下简称SOM）的原理,并对其应用进行了阐述,指出了SOM算法的应用领域和不足之处。     

用自组织神经网络设计自适应调色板

本文提出了种新的、简单可行的方法设计自适应的调色板，用具有自组织特性的Ｋｏｈｏｎｅｎ神经网络，根据调色板的要求，设计了具有一维输出神经元的确定结构的网络，同时，为了使主观的显示效果更好，客观的映射误差减少，提出了修改的Ｗｉｎｎｅｒ－Ｔａｋｅ－Ａｌｌ算法，并对神经网络权值的初始化、输入样本的采样顺序提出了相应的方法。     

自组织神经网络在钢板和橡胶粘结缺陷检测中的应用

利用超声波对钢板和橡胶的粘结质量进行检测.通过分析回波信号的谐波振幅、频率等信息,提取出了信号能量、奇异波的峰值和数量,并采用自组织神经网络分类算法对钢板和橡胶的粘结质量进行了定量分析.分析结果表明,自组织神经网络可以有效地对钢板和橡胶的粘结质量进行分类和识别.     

基于自组织竞争神经网络的电力系统暂态稳定研究

大停电事故和电力需求紧张,使得大扰动下电力系统的暂态稳定问题日显突出.如何能快速判断电力系统的暂态稳定性能,是研究的重点.文章以综合性能指标法中的性能指标作为反映电力系统暂态稳定性能的特征指标,设计自组织竞争人工神经网络分类器进行暂态稳定问题的分类判断.通过算例验证了该分类器可将暂态稳定问题分为稳定、不稳定和模糊类3种类型,有利于对稳定性能进行快速判断,从而减少了待详细分析的事故数目,而无需利用全过程时域仿真计算,有利于进行在线的动态安全评估.     

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.     

采用遗传算法自组织神经网络模糊控制器

提出一种自组织神经网络模糊控制器的新方案。该方案的一个主要特征是,可获得实现模糊控制器的最小且最优的神经网络结构,而且所获得的模糊控制器同时具有神经网络的广泛映射能力、联想概括能力和遗传算法的快速全局收敛、再励式学习等优良特性。     

基于自组织神经网络的模式分类研究

分析了常用的ＶＱ（ＶｅｃｔｏｒＱｕａｎｔｉｚｅｒ──矢量量化）分类算法所存在的缺点，提出用自组织神经网络模型取代ＶＱ算法，对这种模式分类的过程进行了描述，并阐明它的优点．     

一种混沌神经网络及在优化计算中的应用

提出了一种混沌神经网络模型。在Hopfield网络中引入混沌机制,首先在混沌动态下搜索,然后利用HNN梯度优化搜索。对非线性函数的优化问题仿真表明算法具有很强的克服陷入局部极小能力。     

人工神经网络及其在气候预测中的应用

利用湛江地区近50年的月平均气温时间序列资料，采用人工神经网络模型建立了该地区的短期气候预测系统，试验结果表明，人工神经网络模型对湛江地区的短期气候具有较好的预测能力，在平均绝对误差（MAE）小于1C的条件下，年尺度上气温的实际预报准确率达到75％，充分显示出神经网络模型在气象业务中极高的应用价值。     

神经网络智能PID参数最优控制及应用

本文提出了一种神经网络智能ＰＩＤ参数最优控制系统，给出了有效的基于共轭梯度的神经网络学习算法。仿真实验和应用结果表明，这类智能控制器可用于难以建立数学模型的控制系统。     

基于神经网络的中国知识经济效率评价

用资本、劳动力和信息资源作为投入,用GDP作为产出,利用数据包络分析对我国知识经济效率进行测度,结果表明我国中东部地区技术效率相差不大,但中东部与西部地区有较大差距。在此基础上训练BP神经网络,并用BP神经网络进行知识经济效率的评价,取得了较高的精度,从而为技术效率评价提供了一种新的手段。     

高阶反馈型神经网络及其在优化计算中的应用

本文用神经网络来求解多元函数的极值.针对 Hopfield 网络的局限,提出了一种高阶反馈型神经网络,并从数学上证明了这个网络具有良好的稳定性.当阶数为2时,功能类似于 Hopfield 网络,但比它稳定.本文还给出求解多元高次函数全局最优解的方法.最后给出了该网络的计算机数值仿真.     

直接作用式神经网络控制器研究

提出了一种新颖的直接作用式神经网络控制器，将其应用于铣床切削过程控制，使铣削力在加工条件变化时始终保持恒定．该控制器具有在线自学习能力，无需预先训练网络的权值，更不用建立控制对象的数学模型．实验结果表明其控制性能优越，自适应能力强．     

自组织特征映射网络在模式分类中的应用研究

为了研究自组织特征映射神经网络在对于二维向量进行模式分类时,网络结构的最优化问题,深入研究了SOFM神经网络的结构和算法,说明了SOFM网络的建立方法。以二维向量的模式分类为例,利用所建立的SOFM网络模型对输入的二维向量模式进行分类,研究了输出层节点形状和拓扑结构对分类结果的影响,测试了在不同的训练步数条件下,SOFM模型的权值向量的调整过程和分类效果。仿真结果表明:当网络的输出节点以二维平面形式输出时,长和宽不相等的矩形图的分类性能明显优于正方形图的分类性能,并且在输出节点形式相同的情况下,六边型拓扑结构分类精度明显优于栅格型拓扑结构的SOFM神经网络。     

改进的RBF神经元网络及其应用

总结和改进了ＲＢＦ网络的结构和学习算法，并利用改进的ＲＢＦ网络对化工中的精馏塔系统进行建模研究，仿真可知效果较好．     

跨越-侧抑制神经网络分析及其应用

针对神经网络的结构设计,根据仿生学原理提出一种跨越-侧抑制神经网络(S-LINN).该多层网络结构引入了层内中间抑制神经元的侧向连接以及神经元在多个层内进行的信息传递.通过分析网络的逼近能力证明网络的学习能力,设计基于误差反向传播思想的梯度下降学习算法.通过鲍鱼年龄预测回归问题的仿真实验表明,S-LINN在处理实际回归问题时,不但能够保证较高训练精度,同时可获得更强的泛化能力.