一种改进的漂移系数模型及其应用研究

对轴对称突扩通道内气粒两相湍流进行了数值模拟研究，其中对气相场采用常用的二阶矩模型，对颗粒相采用了PDF模型，在此基础上给出了一种改进的漂移系数模型，用所给出的封闭模型进行了数值计算，并与实验结果以及未采用改进模型的PDF模拟结果进行了对比，结果表明改进模型能够更准确地预报颗粒脉动，改进的漂移系数模型很好地反映了颗粒运动的各向异性．     

体绘制中的自动转换函数研究与实现

转换函数是体绘制一个必不可少的组成部分。针对传统的自动转换函数缺乏通用性和交互性的不足,提出一种通用自动转换函数GATF,基于自组织映射神经网络SOM识别数据集的类型,利用反向传播神经网络BPN得到相应转换函数的权值,相应的类型和权值信息保存于信息库中,这样任何数据集只要能在信息库中找到相同或相似度足够的类型,就可以直接取出BPN权值自动进行颜色转换。实验结果证实GATF达到了转换函数的通用性,具有类型识别率高和更能揭示细节的能力。     

基于自组织神经网络SOM和K-means聚类算法的图像修复

近来自然图像的修复已经成了一个热门话题.提出了一种基于K-means聚类算法的自组织神经网络(SOM),称为SOM-K.它首先利用SOM来训练每一个像素的特征向量,并把一幅图像分层.这样就能把每个破损像素分到每层,同时SOM训练后的输出也通过K-means聚类算法来聚合,分别在各个层中修复破损的像素.最后把修复好的各层溶合到一起.与单独使用SOM相比,SOM-K具有更精确的分类能力.     

Retrievals of over-ocean precipitable water from SSM/I by SOM network model

An SOM network model was developed for retrievals of the oceanic total precipitable water (PW) from the SSM/I, by using the SSM/I and radiosonde observation data set provided by the NASDA (Japan). The model was first trained by 5/6 of the data, and the other data were used to test the retrieval ability of the model. The retrieval results showed that the SOM network model was better than the routine operational algorithm.     

SOM-BP神经网络在食品机械机构优化设计中的应用

论述了神经网络算法对食品机械机构优化设计的适用性.以自组织特征映射网络SOM和误差反向传播网络BP为理论基础,将SOM-BP集成神经网络模型应用于食品机械的机构优化设计领域,建立食品机械四杆机构优化目标函数模型,通过集成网络训练,得到优化设计结果.     

基于HLA的分布交互仿真应用系统开发研究

高层体系结构－ＨＬＡ作为新一代分布交互仿真的体系结构,在军用仿真方面有着广阔的应用前景。ＲＴＩ是其核心和研究重点,本文介绍一个以某防空导弹型号为背景,基于ＨＬＡ技术的分布交互攻防对抗真应用系统。从应用的角度介绍分析了符合ＨＬＡ规范的仿真应用的开发过程和ＲＴＩ的功能和相互之间的关系。同时该应用系统还作为一个子系统集成到一个大型分布交互仿真ＤＩＳ系统中,实现了ＨＬＡ系统与ＤＩＳ系统之间的互联。     

基于HLA的水下战仿真系统研究

针对水下对抗仿真环境需支持多种不同对抗样式水下战仿真实验的功能需求,提出了一种基于HLA的可扩展的开放式水下战仿真体系结构,基于该结构,仿真用户可以通过目标系统重组方式组建具体的联邦应用系统。并就系统设计、开发及实现过程中所需解决的主要关键技术,如FOM/SOM建模、成员框架结构设计、DIS/HLA网关、仿真运行机制、网络统计等分别作了讨论。本项研究对其它领域内基于HLA的联邦设计和开发具有参考价值。     

连续SOM聚类的一致性分类算法

数据集的质量会极大地影响分类算法的精度,针对一类隐式互斥的数值型数据提出了一致性分类方法．借鉴连续函数的思想,提出了数值型连续数据的分类一致性定义;改进了SOM算法的计算过程,使其满足文中提出的分类一致性最优条件．通过改进的SOM方法得到一个新的聚类数据集,减少了原始数据集中容易出现的隐式分类不一致性问题,从而有效地提高了分类方法的效率和分类精度．通过在一个实际的数据集上的比较,表明提出的算法的预测精度明显优于其他算法．进而还从VC维的角度分析了提出算法的优点．     

一种新的基于自组织映射的流形学习算法

针对自组织映射(Self-Organizing Map,SOM)算法在进行流形学习时容易陷入局部极值和产生"拓扑缺陷"问题的原因,提出了一种新的基于SOM的流形学习算法:TO-SOM(Training Orderly-SOM).根据流形的局部欧氏性,TO-SOM算法从一个局部线性或近似线性的数据子集出发,按照数据的内在流形结构对其进行有序训练,可以避免局部极值、克服"拓扑缺陷".根据SOM算法的鲁棒性,TO-SOM算法在成功学习数据内在流形结构的同时,对邻域大小参数和噪声也不像ISOMAP和LLE等现有流形学习算法那样敏感,从而更容易得到实际应用.     

采用SOM-BMU距离度量的异常检测方法

提出了一种基于SOM-BMU距离度量的网络异常检测方法,该方法通过t分布,构建了被测样本到BMU距离的置信区间,当被检测样本与BMU之间的距离不在该置信区间内时,认定网络异常发生.此外,为了提高该方法的自适应性,引入了滑动窗口的操作.实验阶段,对比了基于OC-SVM的网络异常检测方法.实验表明,该方法具有较高检测率、低误报率和自适应性的特点.