基于自组织特征映射的移动传感器网络控制

针对概率型感知模型的移动传感器网络中覆盖区域为时变的情况,提出了一种基于自组织特征映射的实时覆盖算法.其中自组织特征映射依据实时采样的样本点来对覆盖目标区域进行拓扑映射,并依据多智能体系统中的一致性控制算法使移动传感器载体形成预定编队,完成覆盖任务.最后通过实验仿真验证了该算法的优良性能.     

实时需求下的带时间窗移动充电车在线调度算法

在双碳背景下,移动充电车作为新型充电设施,能够缓解电动车保有量迅速增长带来的充电压力。然而成本高、效益低等问题阻碍了移动充电车的进一步发展。本文针对移动充电车只有在用户发出充电请求时,才能获知充电需求信息的特点,且需求带有时间窗要求的情形,提出实时需求下的带时间窗移动充电车调度问题,以总时间成本最小为目标,采用在线理论与方法,建立优化模型并设计在线算法;给出了不同情形下的调度方案,计算方案的竞争比,并进行对比分析;最后通过数值算例验证了在线算法的可行性和有效性。研究结果表明,用户发出的实时充电需求数量越大、最大单位惩罚时间成本系数越小,在线算法的执行效果越好。本文的模型和在线调度算法可以有效解决实时需求下的带时间窗移动充电车调度优化问题,提高移动充电车的充电效率,平衡充电供需。     

基于自组织特征映射神经网络的数字模式识别

在分析自组织特征映射(SOFM)神经网络基本学习算法的基础上．从提高算法收敛速度和性能出发．提出了一种改进算法：随机选择样本输入次序；根据实际应用并结合专家经验确定初始连接权值；采用高斯函数作为拓扑邻域函数；将算法分成排序和收敛两个阶段。并分别采用不同的学习率和邻域函数．采用改进后的SOFM算法对输入样本进行自组织聚类，再利用学习矢量量化(LVQ)算法解决样本分类中的交迭问题。提高了分类精度．仿真实验结果表明．该网络能够识别常用的数字(0～9)和英字母．特别是在有噪声污染的情况下．可以获得较好的效果。     

基于核的自组织映射聚类

将核学习的方法应用于自组织映射聚类中,提出了一种核自组织映射聚类算法.该算法以核函数代替原始数据在特征空间中映射值的内积,并且神经元权值向量的初始化和更新都可由其组合系数向量表示,从而获得了直观而简单的迭代公式.分析了算法中学习速率过高会降低学习稳定性、学习速率过低又会降低收敛速度等参数选择问题,给出了一组折中考虑学习稳定性和收敛速度要求的参数初始值.实验结果表明,核自组织映射聚类对于非椭圆型的类分布数据,如环形数据,聚类正确率也能够达到99.886 4%.对IRIS数据集和入侵检测报警数据的聚类也证明了核自组织映射聚类方法的良好性能.     

夜间静止卫星红外云图的GHSOM网络云分类模型

针对夜间云分类准确率低下的问题,利用奇异值分解方法对FY-2E夜间红外云图进行特征提取和选择,从中筛选出包括亮温和分裂窗差值在内的不同的纹理特征。分别采用动态增长型分层自组织和自组织映射2种神经网络模型对夜间云图进行分类,并将2种网络模型的分类效果进行对比分析。实验结果表明:GHSOM网络模型在夜间云图分类方面效果较好,平均准确率总体上高于SOM,通过分层的分类方法极大地提高了夜间云图的分类准确率。     

Mallat小波快速变换与IDRNN在卫星实时故障检测与识别中的应用

系统研究了面向复杂系统监测时变信号的实时故障检测与识别问题.采用滑窗Mallat小波快速变换克服传统小波变换的时域全局依耐性并提高计算效率,使之适应于实时故障检测;针对时变信号的故障模式识别难题,在故障检测基础上采用改进动态循环神经网络(improved dynamic recurrent neural network,IDRNN)进行智能故障识别.最后将滑动时窗小波检测模块及最优IDRNN网络模块嵌入某型完整卫星姿态控制系统仿真平台进行在线故障诊断.试验结果表明:实时条件下的滑动窗口小波变换与传统小波变换具有一致性,IDRNN对于时变信号识别具有较好的时域泛化能力,将滑窗移动时不变小波方法与IDRNN结合可以实现面向复杂系统监测实时信号的故障检测及复合模式分类.     

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.     

基于自组织映射网络的流量分类算法

网络流量分类在QoS、流量控制及网络安全等领域发挥了重要作用. 有监督型的机器学习方法对新流量的识别往往依赖于先前的人工分析;自组织映射网络算法模拟生物神经元,通过自组织行为对数据进行分类学习;实验表明,该无监督型算法能够对新流量进行自动识别,提高了流量识别的准确率.     

一种改进的等误差自组织特征映射矢量量化算法

为了改善矢量量化的码书性能和提高神经网络的学习效率,在分析等误差自组织特征映射算法(equidistortion self-organizing feature mapping,EDSOFM)的基础上,提出了一种改进算法。改进算法将模糊神经网的隶属度函数引入到竞争学习算法中,有效地提高了学习收敛速度。针对原算法搜索获胜码字时计算量较大的问题,改进算法通过不等式判决的方法,快速排除了大量的不匹配码字。实验结果表明,改进算法使码书设计的计算量得到明显的减少,而且码书的性能得到了提高。     

多级自组织映射用于心电信号QRS波群聚类

提出了一种利用多级自组织映射(MSOM)网络进行心电QRS波群聚类的算法。此方法将归一化的两导联心电数据作为第一层自组织映射网络的输入,其输出作为第二层自组织映射的输入,最后得到聚类结果。网络迭代学习过程采用了特殊的设计,能根据不同类别自适应调整学习参数,从而提高了自组织映射的聚类能力。使用MIT-BIH数据库数据的聚类结果表明,这种方法非常适合心电QRS波群的聚类,对室性早搏(PVC)真阳性检出率达到99.1%,且聚类效率比ART-2网络方法、匹配方法有明显优势。     

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．     

单向时延测量的实时时钟同步算法

对已有分段聚类算法进行改进,使用软件方法对单向时延序列进行分析,在线检测时钟调整位置.采用变宽度的滑动窗方法对单向时延数据进行过滤,减少时间序列大小,同时保证时钟调整位置信息不丢失.使用自底向上算法对时间序列进行线性分段,检测时钟调整或时钟频率跳变点,算法的时间复杂度大大降低.针对在线时钟同步的要求,为了消除滑动窗不具有离线算法的全局寻优缺点,提出使用基于滑动窗自底向上算法的实时单向时延时钟同步算法.实际测试实验表明:该算法大大降低了时间复杂度并提高了分段精度.     

基于增量稀疏核极限学习机的柴油机故障在线诊断

为实现柴油机故障在线诊断,提出了基于增量稀疏核极限学习机(ISKELM)的快速在线诊断方法.针对核在线学习中的样本稀疏化与模型膨胀问题,提出了基于瞬时信息测量的稀疏核函数字典构造策略,根据最小化字典冗余和最大化字典元素自信息量的原则实现样本前向稀疏与后向删减,在最佳阶数内对字典进行在线扩充与修剪,从而建立阶数有限且结构稀疏的诊断模型.针对模型核权重矩阵更新问题,提出了增样学习与改进减样学习算法对核权重矩阵进行在线递推求解,降低了计算复杂度,提高了模型在线更新速度.UCI标准数据与柴油机故障数据分类实验结果表明,与几类现有在线诊断算法相比,ISKELM在保证较高分类精度的同时,极大地提高了在线建模速度,更加快速准确地实现了柴油机故障在线诊断.     

移动自组织网中MP-QAODV协议的研究与性能评估

为了在移动自组织网络中提高数据包路由的可靠性以及效率,研究了在移动自组织网中一种基于QoS(quality of service)的改进路由协议。该协议基于一种路径长度限制的路径稳定的路由算法,该算法用一种确定性的最优权值约束算法,通过一般化方法,把确定性算法转换成多项式复杂程度的非确定性算法;最后引入QoS的判定因子实例化算法而形成,结合对MP-QAODV(multi path-quality of ad hoc on-demand distance vector routing)路由协议数据包、路由机制的分析与设计,利用NS2设定移动自组织网仿真环境参数,仿真结果表明,该算法是一种能满足QoS需求的路由策略。通过与同类路由协议的比较,该路由协议具有提高现有网络性能的特点,为实时大流量业务提供了有效的通信服务保障。     

基于独立成分分析和流形学习的眼电伪差去除

针对眼电伪差严重干扰脑电(EEG)信号的理解和分析的问题,提出了一种新的方法用于实时地去除脑电中的眼电伪差.该方法使用独立成分分析(ICA)分解EEG信号,提取独立成分的地形图和功率谱作为特征,并采用基于模板的Isomap算法降低特征的维数.将新的特征样本送到分类器中以识别眼电伪差独立分量,几个典型分类器的分类结果显示,基于模板的Isomap算法结合使用最近邻算法进行分类时,识别伪差的正确率最高.实验结果表明,提出的方法在有效去除眼电伪差的同时,很好地保留了大脑神经信号,也证明了新的Isomap算法用于眼电伪差特征的降维的有效性.     

工业共沸精馏塔软测量建模方法的研究与应用

针对某一工业共沸精馏塔成分估计问题,利用基于支持向量机技术的软测量建模方法,建立了恰当的工业软测量模型。利用滑动时间窗技术实时更新建模数据集,并根据预估精度决策在线优化和模型更新,提高工业软测量模型的在线估计精度。研究结果表明,基于滑动时间窗的LS—SVM软测量建模方法,是一种有效的软测量建模方法。     

基于自组织映射与概率神经网络的增量式学习算法

为解决传统学习算法不能有效利用新可用数据这一不足,提出一种基于自组织映射(SOM)和概率神经网络(PNN)的增量式学习算法——增量式模块化自组织映射概率神经网络(IMSOMPNN)。使用模块化SOM对每类训练数据进行学习,以训练后SOM的原型向量作为此类别的模式神经元来构建PNN。IMSOMPNN可以方便地实现对不同类型的新数据进行增量式学习,并且在进行增量学习时,不再需要利用到原始的训练数据,仅使用新的数据对已有模型进行局部调整;最后,IMSOMPNN还具有较强的抗噪能力。在UCI Landsat Satellite数据集上的实验验证了该文所述方法的有效性。     

基于Gabor小波及神经网络的掌纹识别研究

提出了基于自组织映射(Self Organization Map,SOM)、反向传播(Back propagation NctWork,简称BP网络)复合神经网络的掌纹识别算法,算法首先对预处理后的掌纹图提取Gabor小波特征,利用PCA降维后送入SOM网络进行粗分类,进一步利用Bp神经网络进行细分类.在Poly-U掌...     

一种新的自学习特征映射算法研究

为了有效地提高矢量量化(VQ)码书的性能,提出了一种新的自学习特征映射(SLM)算法,并应用到图像VQ中,实验表明,与自组织特征映射(SOM)算法相比,SLM算法具有聚类特性好和峰峰信噪比高等优点,是一种非常有前途的码书设计算法.     

WKICA算法在多光谱遥感特征提取中的应用研究

多光谱遥感图像具有高度冗余、非线性化的特点。对其进行有效的特征提取是完成精确目标分类的前提。基于核方法强大的非线性映射能力,提出一种小波核独立成分分析WKICA算法。WKICA算法结合小波核函数近似正交,能够对复杂非线性信号进行逐步逼近的优势,有效提高了核独立成分分析KICA算法的求解精度。将其应用在多光谱遥感图像特征提取中,并对预处理条件下的图像采用不同的监督分类方法进行分类实验。实验结果表明,在WKICA算法预处理条件下,能够更有效的滤除图像噪声,相比较传统的特征提取算法,能够获取更加精确的图像分类效果。