一种基于自组织特征映射网络的聚类方法

针对传统聚类算法不能有效地处理大数据集和高维数据集的问题,提出了一种基于自组织特征映射网络的聚类方法。该方法能将任意维输入模式在输出层映射成一维或二维离散图形,并保持其拓扑结构不变,而且无需监督,能自动对输入模式进行聚类。给出了应用该方法的具体步骤和加速自组织过程的若干改进方法,通过仿真实验证明该算法的有效性。     

基于特征子空间与流形正则化的高效增量半监督特征选择方法

基于Fisher Score的前向序列选择法是目前性能良好并广泛使用的一种有监督特征选择方法.然而，该方法只能对有标签样本进行分析，无法利用大量"廉价"的无标签样本信息；并且随着已选特征的个数的增加，对候选特征进行评分的计算复杂度呈三次方形式增加.针对这两个问题，提出基于特征子空间与流形正则化的高效增量半监督特征选择方法.一方面，该方法通过提取有标签与无标签数据的局部线性表示来进行半监督特征选择，使得所选特征能够保持数据的局部流形结构信息；另一方面，该方法基于特征子空间理论进行特征评分，时间复杂度取决于特征空间的维数而非已选特征的个数，如果特征空间的维数是固定的，该方法将花费几乎恒定的时间来评价每一个候选特征.相比于基于Fisher Score的前向序列选择法选择特征的三次方复杂度，所提方法在时间效率方面得到很大提升.在五个标准数据集上进行了实验，所得结果验证了该方法的有效性.     

基于自组织特征映射网络的聋人无损听觉补偿方法的研究

利用其他感知通路提供的信息可以对聋人进行无损的听觉补偿.提出了一种基于自组织特征映射网络的聋人无损听觉补偿方法.聋人利用自组织特征映射网络输出层的可视化信息监听自己的声音.结果表明,自组织特征为提高聋人的语言功能提供一种新的途径.     

基于修正高维云的故障映射模型

故障预测需要完成从状态空间到趋势空间再到故障空间的两个映射过程。为使后一个映射结果更为准确,在借鉴多元正态分布理论的基础上,提出了一种基于修正高维云的故障映射模型。采用能够描述论域相关程度的协熵和协超熵来代替原来的熵和超熵,从而更好地解决了多论域之间的相关性问题。利用修正高维云发生器组成的多规则推理系统建立故障映射模型,将趋势预测数据准确映射到故障空间,得到最终故障预测结果。为验证方法的有效性,针对飞机操纵面损伤故障进行了仿真和分析,仿真结果充分表明所提出的模型具有较高的映射精度和效率。     

基于仿生模式识别的说话人辨认方法研究

仿生模式识别方法模仿了人类进行事物分辨过程中的行为特征,强调了类内事物的相关性,利用"熟识"程度代替"分类".与传统模式识别方法注重发掘类间特征差异性相比,给出了一种新的思路.仿生模式识别方法的难点在于针对同一类事物的有限个样本在特征空间中建立有效的连续覆盖.提出了一种利用改进的最近邻方法产生类覆盖区的新算法,该算法认为同一类中任意两个样本间的特征是渐变的,从而生成更多虚拟的样本点,并根据两个样本特征点之间的距离确定虚拟样本点的覆盖范围.利用该算法实现了说话人识别系统,实验表明该方法能够有效地排除冒充者话音的干扰,在有大量冒充说话人的实验环境下,能够大大提高系统的识别率.     

基于概率模式识别方法的宏观经济预警系统的进一步研究

对用概率模式识别技术设计宏观经济预警系统的方法进行了进一步的研究, 并且分析了采用这种方法的优点．在文章的结尾, 作者给出应用该技术进行宏观经济预警的两个实例     

应用自组织映射神经网络进行模拟电路故障诊断和仿真研究

讨论了一种应用自组织特征映射神经网络,建立并快速查找模拟电路故障字典的方法,该方法对单、多软硬故障的识别快且有效。同时,利用神经网络的泛化性,有效地克服了容差因素对故障定位的影响。     

基于元学习的航空电子设备特征选择算法推荐方法

为了对航空电子设备的测试数据进行有效约简,去除冗余信息和不相关特征,基于机器学习领域现有的特征选择算法,提出了一种元学习框架下的航空电子设备特征选择算法推荐方法.所提方法旨在根据不同航空电子设备测试数据所蕴含的信息,推荐合适的特征选择算法.首先,分析了数据集特征的描述方法.然后,介绍了采用综合度量指数的算法性能评价方法...     

多传感器融合的因果映射网故障诊断方法

针对异构、时变、耦合的复杂系统故障诊断问题,提出一种基于多传感器融合的因果映射网故障诊断方法.以时态数据挖掘为手段,实现包含原因层和结果层的快速映射网络.通过因果度定义节点连接强度,通过依赖度和影响度进行故障位置定位和影响预测.应用实例表明方法具有机理简单、算法快捷、结果直观优点.     

故障特征选择与诊断规则提取的VPRS模型方法

针对实际工程系统故障诊断过程中故障特征和诊断规则难以提取的问题，提出了一种基于变精度粗糙集(VPRS)模型的故障特征选择和诊断规则提取的新方法。该方法通过选取适当的分类误差参数β，运用知识约简简化知识系统。它不仅能从实测数据中提取出最佳的故障特征参数，还可得到简化的诊断规则。对滚动轴承故障诊断的仿真实例表明，该方法有效地简化了特征参数和诊断规则，提高了故障诊断的准确率，减低了诊断成本，具有比基本RS方法更广的适用性。     

Gear Fault Recognition and Diagnosis Based on Ant Colony Optimization Algorithm

introduce a new kind of swarm intelligence algorithm, the Ant Colony Optimization （ACO） algorithm. Propose a clustering analysis model based on ACO, apply the model to recognition and diagnosis of operation state for gearbox. Testing four kinds of gears and clustering some characteristic parameters of the gear vibration signal, the conclusion shows that this method can recognize running state with accuracy and all speed. It is a new method for fault recognition and diagnosis.     

模糊灰关联模式识别方法及其应用

首先建立灰关联分析的新的理论模型,然后将其与模糊集理论结合起来,提出了一种模糊灰关联模式识别方法．通过应用于场地土类别的评定,从而说明了本文方法的有效性     

基于功能需求模式识别的变异式产品需求分析建模方法及其在产品设计中的应用

提出一种产品需求分析建模的方法,它通过识别已有设计的功能需求模式来映射历史数据和抽取专家经验和知识,从而在新产品设计中根据功能需求模式,通过对以往产品设计的修改和进化来进行产品需求分析．功能需求模式的定义、识别和利用在文中进行了详细的讨论．该方法理顺了需求分析定义的精化过程,简化了繁琐的顾客与设计者的沟通和交互过程,并减轻了需求分析定义中内在的复杂性和模糊性．机器学习技术的应用,将专家经验和知识结合到功能需求模式中,并反映产品进步、技术趋势和市场竞争等战略性因索,从而增强了需求分析中有效利用领域知识的能力．在电源产品设计的实践表明了该方法的可行性和潜力．     

基于优化的RBF神经网络模式识别新方法

提出了一种基于Hough变换优化的RBF神经网络模式识别新方法,该方法把Hough变换应用于RBF神经网络的参数确定中,实现了RBF神经网络的隐层节点数和数据中心值的自适应获取,提高了RBF神经网络的泛化能力。仿真结果表明:此改进的RBF网络用于模式识别中具有识别能力强,计算量小,识别速度快的优点,具有广阔的应用推广前景。     

基于Kohonen网络的减速箱机械故障模式识别

在自动聚类分析的基础上，根据某汽轮机减速箱运行状态的特征数据，采用Kohonen网络方法，随机选取该汽轮机减速箱运行状态的几组特征数据进行训练。结果竞争层有三个神经元获胜，即该机械的运行状态被分为三类。训练好的网络于对其余几种特征数据进行识别。根据识别结果可以确定该机械的运行状态。结果与选用其它方法所确定的结果一致。因此，Kohonen网络方法可应用于模式识别。从而该方法能实现对汽轮机减速箱运行状态的监控。     

基于孪生深度神经网络的风电机组故障诊断方法

为有效提取风电SCADA (supervisory control and data acquisition)中时序数据故障特征,同时考虑一维卷积神经网络(one-dimensional, convolutional neural network,1-D CNN)提取局部时序特征和长短时记忆网络(long short-term memory networks, LSTM)提取长期依赖特征优势,提出一种基于1-D CNN-LSTM的风电机组故障诊断方法;针对故障样本稀缺问题,基于孪生神经网络架构(siamese network),提出一种基于孪生深度神经网络siamese 1-D CNN-LSTM的风电机组故障诊断方法,依靠少量样本数据对机组故障特征进行有效提取。结果表明：1-DCNN-LSTM优于其他现有深度学习方法;当训练样本不足时,所提出的siamese 1-D CNN-LSTM可以显著提升故障诊断结果。     

一种基于神经网络的免疫识别故障检测模型

提出了一种基于神经网络的免疫识别故障检测模型.该模型根据免疫识别原理来构造神经网络检测器,通过训练将被检测对象的故障模式信息存储于分布的检测器中,检测器用于捕获被检测对象的异常模式特征,当检测器与特征样本匹配时则激活该检测器,根据检测器的激活情况来发现故障,并给出了相应的训练算法.通过滚动轴承损伤检测的仿真实验,表明该方法对由轴承损伤冲击造成的信号突变保持了较高的灵敏度和分辨率,对于滚动轴承的监测具有一定的应用价值,并可方便地推广到其他类似的工业应用领域.     

基于D-S推理的模糊模式识别方法

针对战场环境下数据融合系统的ESM设备获得的辐射源信息在时间上的冗余性,提出了一种基于D-S证据推理的模糊模式识别方法。该方法通过对观测样本信任度(模糊隶属度)的重新分配,有效地解决了辐射源信息不确定性问题,提高了辐射源的正确识别率。最后通过单一的模糊识别和D-S证据组合的模糊识别两种方法的仿真对比实验验证了后者的有效性。