SOFM网络下的深圳市城市用地功能识别分析

基于88814条POI数据, 并借助自组织映射网络(SOFM网络), 对深圳市城市土地利用的功能进行分析和识别, 并与中国基本城市土地利用类型制图(EULUC-China)进行比较验证。结果表明: 1) 深圳市城市街区尺度呈现功能混合的特征, 主要分为第二产业和生产性服务业主导、交通设施主导、居住+第二产业及生产性服务业+商业服务业设施混合、居住+公共管理和服务混合以及商业+公共管理和服务混合5类空间用地。2) 基于SOFM网络的用地功能识别模型, 结果更为细致, 混合功能用地的分类更能突出地域特征。     

神经网络TSP问题仿真分析

描述了Hopfield神经网络和自组织特征映射神经网络解决TSP问题时的求解过程和仿真算法.通过对两种算法的仿真比较,得出以下结论:对于较大规模的TSP问题,SOFM模型的寻优结果要优于HNN模型寻优结果;HNN对网络模型参数和初始条件具有很强的依赖性且调整参数组合非常困难,而SOFM的参数设置和调整相对要简单得多;SOFM算法对待解决问题的拓扑分布不敏感,而HNN算法的收敛性对待求解问题的自身分布有很强的依赖性;当待求解问题的数目增大时,SOFM算法的运算时间增加缓慢,而HNN算法的运算时间增加较快.因此,在解决TSP问题时,自组织特征映射神经网络比Hopfield神经网络的效率高,随着问题规模的增大,其优势更为明显.     

一种矢量量化中的码本优化方法

在语音压缩编码中,矢量量化占有很大比重和计算量．码本的好坏与方法的选择有很大的关系．笔者介绍了一种方法,将神经网络和隐含马尔可夫过程应用于矢量量化,从而产生了更为优良的码本．     

基于神经网络模型的聚类分析技术研究

聚类分析已成为数据挖掘,模式识别等应用领域研究中非常活跃的研究课题.在聚类分析方法中,基于神经网络的算法,由于考虑到“噪声”或异常数据,可以自动确定聚类个数,可以产生鲁棒的聚类方法,而竞争学习神经网络、SOFM神经网络方法是其中有代表性的方法,对其进行了分析研究,并给出了引入可变速度的训练算法。     

地表参量反演与遗传自组织神经元网络联合估算子像元地表温度

在热红外遥感成像模拟中,高空间分辨率的地表温度场景可以由中、低分辨率的热红外遥感数据估算得出。基于可见光 近红外数据反演的若干地表参量和低分辨率的地表温度数据,在二者间引入遗传自组织神经元网络,建立非线性像元分解方法,最终获得高空间分辨率的地表温度场景。利用ASTER卫星产品数据对该方法进行了验证,结果表明： 对于无法直接进行高分辨率地表温度反演,或缺少大量地表先验知识情况下,该方法只需利用两组遥感数据即可估算出不同地表覆盖下子像元地表温度,方法简便易行,精度较高,为快速模拟和估算高分辨率地表温度分布提供了一条新途径。最后对方法的估算精度、适用性及应用前景进行了探讨。     

个性化产品推荐中的SOFM神经网络模型

从个性化推荐的应用特点出发，提出了一种基于SOFM神经网络的个性化推荐模型，对高维稀疏的样本进行动态聚类．它具有下列特点：（1）在SOFM学习中，引入抑制函数（Restraining Function），使其能够适应顾客评分数据的极端稀疏；（2）设置神经元的分裂和合并过程，使其能够满足顾客聚类的频繁变动．通过实验分析表明，该模型能够明显提高推荐质量。     

基于SOFM神经网络的变压器故障诊断研究

SOFM神经网络具有强大的非线性映射能力和高度的自组织和自学习能力,将SOFM神经网络应用于变压器的故障诊断.利用改进的罗杰斯三比值法获取变压器故障诊断的特征向量,建立了SOFM网络故障诊断模型,并对模型进行训练.为了检验模型的实际诊断能力,以变压器的4种典型故障诊断为例进行仿真实验.仿真结果表明:SOFM神经网络能够根据获胜神经元在竞争层的位置对变压器故障进行判断,诊断准确率高,收敛速度快,泛化能力强,表明基于SOFM网络的变压器的故障诊断是一种行之有效的方法.     

基于改进的自组织特征网络聚类分析

针对传统Kohonen自组织特征映射(SOFM)神经网络模型结构需要预选指定的限制,特别在大的映射网络中寻找最佳匹配结点是很耗时的问题,我们采用一种新的动态增长树型自组织特征神经网络(GTS-SOFM),给出了实现聚类的具体算法,并且使用聚类密度来衡量聚类效果.对样本进行随机抽样,实验结果证实了算法的有效性.     

基于改进的自组织神经网络的基因剪切位点的识别

为提高基因序列中剪切位点的识别率,将无先导卡尔曼滤波器(UKF)和自组织神经网络(SOFM)相结合,给出一种非线性高维数据的聚类算法.利用无先导变换(UT)参数化SOFM邻域宽度函数的均值和方差,并采用UKF进行预测,完成SOFM参数的自适应过程.该算法用于基因剪切位点的识别结果表明:较SOFM与EKF参数自适应方法,该算法识别精度较高,验证了其有效性和可行性.     

基于自组织特征映射网络的全国地级市城市地价区域分类研究

地级市是我国经济发展相对迅速的区域, 也是土地供应重组、交易活跃的重点区域。以2005年我国土地出让面积、土地平均价格、地区生产总值、地区生产总值增长率和 固定资产投资等 5 个变量作为聚类指标, 构建自组织特征映射( SOFM) 人工神经网络模型, 将我国282 个地级市分为高地价发达区、低地价发达区、高地价欠发达区和低地价欠发达区共4 个类型区域, 并对每个类型区的土地价格和社会经济发展状况做出分析讨论。SOFM 模型聚类结果与客观实际较为吻合, 效果良好。结果表明, 自组织特征映射 网络对于地级市土地地价的区域差异具有良好的表征能力。