自组织特征映射神经网络的区域经济发展聚类分析

自组织特征映射(SOM)神经网络是无教师自组织、自学习网络,具有优良的数据聚类功能.基于选取的区域经济发展评价指标,对2006年我国31个省(地区)的综合经济实力进行聚类分析.结合主成分得分对聚类结果综合评价,实证效果较好.     

基于自组织特征映射神经网络的短期负荷预测

提出了一种基于自组织特征映射神经网络(Kohmonen网络)的短期负荷预测方法，根据Kohonen网络的聚类特性，样本在输入时就已分好类。输入既有与负荷曲线平滑性有关的数据又有反映负荷周期性变化的数据。在学习训练时，区别于普通的无监督竞争学习采用有监督竞争学习方式，缩短了学习时间，提高了学习精度。实例分析征明了该方法的有效性。     

基于自组织特征映射神经网络的聚类分析的应用

介绍了自组织特征映射神经网络结构和算法,并将此神经网络用于葡萄酒化学成分产地的聚类分析,实验结果表明：该网络的聚类准确率达到了87％,具有一定的科学性和适用性。     

基于自组织特征映射神经网络的校园网用户聚类分析

在校园网系统的管理中,网管人员常常需要了解用户的网络行为,以便更好地配置和管理网络系统,提高网络服务效率.以大理学院校园网认证计费系统日志为研究对象,利用自组织映射神经网络(SOM)对校园网用户行为和网络通信模式进行聚类分析.网管人员可以根据聚类结果,设计有效的网络管理方案和系统配置参数,从而有效地配置和管理校园网,提高服务效率和管理质量.     

矩阵码的自组织特征映射识别研究

基于Ｋｏｈｏｎｅｎ自组织特征映身网的自组织性、自适应性及对输入信号的高容错能力，运用无导师动态竞争学习方法对较模糊的矩阵码进行识别，取得了较好的效果，对网络的训练采用了采用带噪声的矩阵码数据，大大提高了系统的辨识能力，试验表明，该方法为矩阵码的识别提供了一有效的途径。     

基于自组织特征映射网络的综合评价模型

首先根据人脑思维的模糊性特点 ,以模糊集合论为基础 ,构造一种用于指导自组织特征映射网络学习过程的模糊熵准则 ,可以在较大范围内有效地解决自组织特征映射网络 (SOFM )的学习问题 .然后提出一种基于模糊自组织特征映射网络的综合评价模型 .该模型通过确定标准对象 ,数据的标准化处理 ,网络自适应学习和评价结果输出等环节 ,可以有效地解决一类综合评价问题 .最后通过一个实例进一步说明其灵活性与实用性 .参 6 .     

使用自组织特征映射神经网络对湖泊水生态功能分区

以白洋淀淀区为研究案例,在水文、气象、水化学、水生态以及人类活动干扰多要素基础上,耦合生态系统服务空间分布,形成水生态分区指标体系框架,通过自组织特征映射（self-organizing feature map,SOFM）神经网络,并将案例区划分为核心湿地保护区、湿地生态缓冲区、入淀河流缓冲区和生态屏障区4类水生态功能区域,面积分别为9763.81、9538.59、5953.15和5417.53 hm2,分别占白洋淀淀区面积的31.83%、31.10%、19.41%、17.66%．分区结果体现了一定的层次结构与空间特征差异,可为未来科学识别不同区域压力源、淀区精准修复以及差别化水质管理提供科学的数据支撑．      

改进的自组织特征映射网络及应用

在自组织特征映射网络研究的基础上,对其网络结构进行了改进,利用改进后的自组织特征映射网络算法进行油气检测.根据已知井位的油气属性,验证了该方法的有效性,并将其运用于未知井位的油气属性的预测.     

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.     

城市可持续发展调控预测模型的BP网络实现

根据1990-1999年10年时间序列上海市可持续发展评价指标体系的数据库,选取表征研究区域可持续发展的主要因子,即国民生产总值、人均用水量、人口自然增长率、海域环境质量、万元产值工业废水排放量及人均公共绿地面积,利用神经网络技术建立了上海市可持续发展的调控预测模型,取得了良好的效果.     

基于神经网络的资源型城市可持续发展指标体系

以BP神经网络为模型，借助Matlab语言对某资源型城市的国民经济和可持续发展指标进行了分析预测，在数据采集和预处理的基础上，设计程序来对网络进行训练，用训练好的神经网络预测未来的指标数据，并利用预测数据对城市发展趋势进行分析，为资源型城市发展模式的选择提供依据．     

模糊经验方程和模糊自组织神经网络在航空发动机故障诊断中的应用

探讨了模糊经验方程和模糊自组织神经网络在航空发动机故障诊断中的应用。这两种算法有效结合工程经验,算法结构简单,易于应用。采用这两种方法分别对某型发动机实际故障进行诊断,结果表明其可有效的应用于发动机故障诊断。     

基于BP神经网络的湖南生态经济可持续发展研究

通过时湖南省生态经济可持续发展的现状分析,建立一套适合湖南特色、操作性强、科学合理的评价指标体系和模型,并借助于BP神经网络,时湖南生态经济可持续发展进行智能评价和分析,从而提出湖南生态经济可持续发展的建议。     

四川省宏观经济发展的自组织模型

作者基于自组织数据挖掘理论建立了四川省经济发展的自组织模型，并就国家宏观经济政策对四川省区域经济的影响进行了模型分析，得出了经济因素对全国整体的作用水平以及四川省经济发展的特点。     

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.     

应用神经元网络进行道路季节分类

道路的破坏是一个损伤的积累过程,道路的性能预测实际上是应用力学法或经验法,对路面损伤积累过程的模拟.在模拟过程中通常将路面的使用寿命分成若干子时间段.为了合理确定路面结构设计时的输入参数,通过自组织特征映射神经网络,结合Matlab软件,根据温度等几个重要参数对道路进行季节分类,然后根据分类结果进行路面结构分析与材料设计.实践证明,该方法分类效果良好,能很好地解决路面设计参数的合理确定问题.