基于自组织映射和生物地理优化的聚类算法

针对传统生物地理优化算法(bio-geographic optimization algorithm,BBO)的种群随机初始策略会降低聚类算法性能的问题,提出了一种基于自组织映射算法(self-organization feature map,SOM)和BBO的混合聚类算法(improved SOM and bio-geography optimization,ISOMBBO),通过优化初始化神经元权值的方法改进SOM算法,然后以改进的SOM来计算数据聚类的初始簇中心,最后在BBO优化框架下进行数据簇结构的寻优.在4个标准数据集(Iris、Wine、Glass与Diabetes)的实验中,实验结果表明该算法不仅提高聚类的有效性,而且相对于传统的优化算法具有更好的优化能力和收敛度.     

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．     

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Kohonen神经网络的遥感影像监督分类

作为一种自组织网络,Kohonen神经网络在遥感影像聚类中得到了广泛的应用.但Kohonen算法具有初始权值随机化、学习率和邻域难以确定等缺陷,并且作为一种聚类算法,难以直接进行监督分类.对Kohonen非监督学习算法进行改进,用最大最小距离法确定初始权值,利用权值误差作为网络训练收敛条件,并将Kohonen算法与奖惩...     

基于类内最小相似度自组织映射算法及其在储层预测中的应用

为了解决自组织映射(Self-organization map,SOM)神经网络算法部分神经元过度利用和欠利用的问题,提出基于类内最小相似度的SOM算法(SOM based on intraclass minimun similarity degree,SOM-IMSD),将类内相似度这一评价指标引入SOM神经网络学习过程中,通过调整类内最小相似度来指导SOM神经网络学习,使得平均类内最小相似度最大,提高SOM神经网络的聚类结果质量.将SOM-IMSD算法应用于储层预测,并与基本SOM算法进行对比,实验结果表明,SOM-IMSD算法的聚类结果更为准确.     

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BAS-BP模型的变压器故障诊断

针对变压器故障诊断中BP神经网络诊断精度不够高的缺陷,提出一种天牛须搜索(BAS)算法与BP神经网络相结合的算法.将天牛须搜索算法寻优后的初始权值和阈值作为BP神经网络的初始权值和阈值,建立模型并进行仿真测试.结果表明,与传统BP神经网络相比,新模型有效克服了训练时间长、收敛速度慢的缺点,为变压器故障诊断提出了一种新的方法.     

基于改进BBO的Web文本聚类算法

针对生物地理优化算法(Biogeography-Based Optimization,BBO)随机初始化以及轮盘迁移机制等不足,结合自组织神经网络算法(Self-Organizing Map,SOM),提出了一种用于Web文本聚类的改进BBO算法(Improved Biogeography-Based Optimization,IBBO).该算法引入SOM改进BBO栖息地随机初始化策略,并结合局部优化思想提出了一个基于梯度下降贪心搜索(Gradient Descent Search,GDS)的新迁移算子.真实数据集Reuters-21578的实验结果表明IBBO算法具有良好的聚类有效性,能更好地对Web文本进行聚类.     

基于改进RPCL的K-means聚类算法

针对现有(Rival Penalized Competitive Learning,RPCL)算法之不足,提出根据样本数据集自然分布规定样本密度,把此密度代入次胜者受罚竞争学习算法(RPCL)节点权值调整的改进RPCL算法;以改进RPCL算法对数据集进行预处理,确定K-means算法的合理类簇数目和最佳初始聚类中心,提高K-means算法的聚类效率和聚类准确性,促进其尽快地收敛至全局最优解。     

修正初始权值的BP网络在CSTR故障诊断中的应用

将BP算法和使用复合法修正初始权值的BP算法运用到CSTR模型中进行故障诊断。采用复合法对初始权值进行修改,避免了BP算法中初始权值的随机性带来的收敛缓慢甚至瘫痪现象,并结合CSTR模型的故障诊断进行了仿真运算,与BP网络的比较表明了改进算法在运算效率上的优势。     

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.     

基于改进神经网络的抽油机故障智能诊断研究

针对目前抽油机示功图故障诊断人工分析方法效率低,而智能方法计算量大且识别类型少的问题,提出了抽油机故障智能诊断新方法,通过改进的自组织特征映射网络(SOM神经网络)对抽油机示功图进行故障诊断。对比了蚁群算法(ACO)、遗传算法(GA)、粒子群算法(PSO)对SOM神经网络的改进效果,PSO算法的最优个体适应度值最小,且所需的迭代次数少,收敛速度快。同时对比了神经网络BP、LVQ、常规SOM和PSO-SOM诊断模型效果,PSO-SOM神经网络在识别时间、诊断准确率和诊断方差方面展现出了明显的优势。采用傅里叶描绘子和不变矩复合的形状识别方法提取抽油机样本示功图特征参数,利用PSO-SOM神经网络技术进行学习训练和仿真分析,实现了不同工况模式的分类以及待测示功图的工况诊断。研究表明：对于XX油田现场抽油机700井次的9种不同工况示功图,PSO-SOM方法有效识别正确率高达90.3%,是实现智能化高效诊断示功图的一种有效途径。     

基于聚类和文化算法的补偿模糊神经网络建模方法

根据补偿模糊神经网络的建模特点,提出了基于聚类和文化算法的补偿模糊神经网络建模方法。该网络的学习分为两步:结构辨识和参数辨识。在结构辨识中,采用改进的聚类算法确定模糊规则数及初始参数,构造一个初始模糊模型;在参数辨识中,采用基于多层信念空间的文化算法对具有5层结构的补偿模糊神经网络参数进一步优化,使其具有更高的精度。通过对TE过程的故障诊断建模,结果表明该网络在建模精度和收敛速度上均优于常规补偿模糊神经网络和常规模糊神经网络。     

基于SOM的产品设计结构模块划分及其评价

针对数值型设计结构矩阵(DSM),提出采用自组织映射(SOM)算法的产品设计结构模块聚类方法。该方法将DSM中的信息经过初始化后作为SOM网络的输入层,然后通过训练SOM神经网络模型获得聚类方案。文中还提出了综合考虑模块内聚性和耦合性并且适用于数值型DSM的聚类效果评价指标。案例分析表明,与DSM经典算法相比,本文提出的聚类方法和评价指标能够优化产品设计模块划分。     

可拓理论与SOM网络相结合的多故障诊断方法

 针对采用SOM 网络进行多故障诊断时,要求多故障模式相似且不包含标准故障输出的限制,提出将SOM 网络与可拓理论相结合的多故障诊断方法.首先采用SOM 网络对训练样本进行聚类,得到故障模式及其聚类中心.然后针对每种故障模式的每个特征构造在聚类中心处取得最大值的关联函数,并以各特征的关联函数值为基础,设计多故障评价指标实现多故障诊断.最后采用汽轮发电机组振动信号的频谱数据对算法进行验证,结果表明该方法能够正确识别待诊断样本的单故障和多故障模式,具有可行性.     

一种混合智能故障诊断方法及柴油机故障诊断

提出了一种模糊聚类、粗糙集理论与神经网络集成的混合智能故障诊断方法。引入聚类有效性函数和点分布密度函数。对模糊c-均值聚类算法进行改进,形成了自适应模糊聚类算法并依据该算法将连续的故障特征值离散化。应用粗糙集理论处理离散化的故障诊断数据。采用基于信息熵的方法,约简冗余的故障特征。依据约简结果构建神经网络,采用遗传算法优化网络的权值和阈值。将该方法用于柴油机气门故障诊断,并与普通神经网络进行对比。结果表明,该方法提高了故障诊断的正确率。     

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。     

改进的阴性选择算法在机械故障诊断中的应用

针对复杂大型设备故障诊断准确率低的问题,提出一种改进阴性选择算法的故障诊断方法。在改进可变半径实值阴性选择算法(V-detector)中,训练开始阶段通过蒙特卡罗算法寻找半径尽可能大的检测器,然后引入覆盖阈值,通过阈值判定减少了无效检测器的产生,提高了算法的检测率。由于V-detector算法只能识别自我和非我,建立了免疫聚类的故障诊断模型,并将改进V-detector免疫聚类故障诊断模型应用于齿轮故障诊断中。实验结果表明:改进的V-detector算法可以有效的避免了检测器重复覆盖造成检测器数目的增加,提高了非自体区域的覆盖率,比未改进的V-detector的免疫聚类诊断方法有较高的准确率。     

SOM-K-Means聚类算法在零售银行客户细分中的应用研究

大数据背景下零售银行业的竞争日益加剧,根据客户的特征,将客户进行细分,为客户提供差异化的产品和服务是零售银行实现精准营销的有效途径。K-Means聚类算法是客户细分中的一种重要算法,它的基本思想是将具有更多相同特性的样本聚集到一个类中,使不同类中的样本之间尽可能的远离,而同一类中的样本之间尽可能的相近。为了提高客户细分的精度,提出一种自组织特征映射神经网络(SOM)的KMeans聚类算法(SOM-K-Means)。该算法可以解决K-Means聚类算法随机确定聚类个数和初始聚类中心等影响聚类结果准确性的问题。对某零售银行实证研究表明,SOM-K-Means聚类算法对购买某产品客户的数据进行有效的挖掘分析,根据聚类之间客户的不同特征,为不同客户群体提供个性化营销策略。     

一种改进的RBF神经网络混合学习算法

提出一种基于粒子群优化算法、K-means算法及减聚类算法的径向基函数(RBF)神经网络混合学习算法.该算法使用减聚类方法确定隐层节点数,具有自适应确定隐层节点的能力,避免了调整隐层节点的人为干预.通过K-means算法形成粒子群优化(PSO)算法初始粒子群,避免了初始粒子群的随机性,提高了粒子群优化算法的优选能力;采用PSO算法训练RBF神经网络中的所有参数.数值结果表明,改进的混合算法具有更高的分类准确率。