一种量子自组织特征映射网络模型及聚类算法

提出一种量子自组织特征映射网络模型及聚类算法.量子神经元的输入和权值均为量子比特,输出为实数,量子自组织特征映射网络由输入层和竞争层组成.首先将聚类样本转换成量子态形式并提交给输入层,完成聚类样本的输入;然后计算样本量子态与相应权值量子态的相似系数,提取聚类样本所隐含的模式特征,并对其进行自组织,在竞争层将聚类结果表现出来.采用量子门更新量子权值,分无监督和有监督两个阶段完成网络的训练.仿真实验结果表明该模型及算法明显优于普通自组织特征映射网络.     

混合Neural-Gas网络和Sammon映射的数据可视化算法

与SOFM,最大熵聚类,K均值聚类相比,"Neural-Gas"网络算法具有收敛速度快、代价误差小等优点.但"Neural-Gas"网络用于非均匀分布的线性或非线性数据集进行降维或可视化时,输出空间上固定有序的神经元表现出极不理想的距离信息.为此,该文根据归一化概率自组织特征映射的基本思想,提出混合"Neural-Gas"网络和Sammon映射的新方法来解决此问题,通过"Neural-Gas"网络算法进行特征聚类以降低计算复杂度,通过Sammon映射保持输入空间和输出空间上神经元间的距离相似性.仿真结果表明,该混合算法对合成数据集或现实数据集的可视化能够取得较理想的效果,从而验证了该混合算法的可行性和有效性.     

TGSOM:一种用于数据聚类的动态自组织映射神经网络

针对传统Kohonen自组织特征映射(SOFM)神经网络模型结构需预先指定的限制,提出一种新的树形动态自组织映射(TGSOM)神经网络,当用于数据挖掘时该网络以其生成速度快可视性好具有显著优越性。该文详尽描述了该网络模型的生成算法,研究了算法中扩展因子的作用。扩展因子与训练样本数据的维数无关,其作用是控制网络的生长,扩展因子可以反映数据聚类的精度,即扩展因子值的大小与聚类精度的高低成正比。在聚类的不同阶段使用大小不等的扩展因子还可以实现层次聚类。     

基于优化RBF神经网络的无线室内定位

针对径向基函数（Radial Basis Function,RBF）神经网络算法在无线网络室内定位中拓扑结构和网络参数难以确定,其定位效果不理想的问题,提出了一种用核主成分分析的模糊C均值聚类算法（Fuzzy C-Means clustering algorithm based on Kernel Principal Component Analysis,KPCA-FCM）和模拟退火自适应遗传算法（Simulated Annealing adaptive Genetic Algorithm,SAGA）优化RBF神经网络的无线室内定位算法。首先利用KPCA对原始训练数据样本进行数据预处理,再通过KPCA-FCM算法计算出最优聚类数目和聚类中心点;其次将聚类数目和聚类中心点作为隐含层神经元个数和中心值,创建RBF神经网络,并将其网络参数映射到SAGA算法中;再次由SAGA算法进行网络参数寻优,把最优的解映射回RBF神经网络;最后利用样本数据对RBF神经网络进行训练和测试,完成建立RBF神经网络算法模型。实验表明,在相同的环境中,所提算法比传统RBF神经网络定位精度提高了48.41%。     

一种基于修正激活函数的CNN车载毫米波雷达目标检测方法

为了提高车载毫米波雷达在复杂城市道路环境中目标检测的抗杂波与干扰能力,本文利用卷积神经网络（CNN）特征参数提取和目标分类特性,提出了一种改进的基于CNN的车载毫米波雷达目标检测方法。该方法首先将毫米波雷达回波信号距离-多普勒二维数据运用滑窗进行分割,并采用CNN网络模型处理分割后的二维矩阵,训练二维CNN网络模型及其参数,使其具有提取回波特征并基于特征参数模型进行目标分类的能力,从而实现目标检测功能。通过对卷积神经网络模型结构进行优化,增加批量归一化层,优化Dropout层使得低权重特征失活,自适应地删减部分神经元节点修正该层非线性激活函数,进一步降低了CNN模型目标检测的虚警概率。实验结果表明,在相同虚警概率条件下,CNN网络检测方法目标发现概率优于传统的单元平均恒虚警检测方法,并且在低信噪比的条件下仍然能够保持较高的发现概率;在同等发现概率水平下,修正后CNN网络检测方法的虚警概率较修正前可提高约1个数量级。     

前馈型神经网络中隐藏层神经元的研究

本文采用前馈型神经网络及BP算法对3种飞机模型的复合畸变不变性识别进行了研究。结合以前用级联神经网络及聚类编码方法对同一问题的研究结果,对神经网络的隐藏层神经元的个数及其对识别率及权重训练的影响进行了研究,提出了减少隐藏层神经元的一种方法,以简化识别网络的结构。     

高属性维稀疏数据聚类回归逻辑 神经网络模型及学习算法

针对高属性维稀疏数据聚类问题,定义了模糊取大逻辑神经元,给出一种新的单层离散型回归逻辑神经网络模型,由稀疏特征差异度组成的相似阵作为该网络的初始权矩阵,通过单层离散型回归逻辑神经网络学习算法,可求出相似矩阵的等价阵,根据等价阵,给定不同的阈值,可动态地、有效地实现对高属性维稀疏数据的归并,使得聚类结果更符合实际情况,聚类质量较高.相比同类聚类算法,它具有学习、修正和应变功能,适用于大规模稀疏数据库和稀疏数据仓库的聚类分析.     

基于SOFM神经网络的口语教学质量评价模型研究

为了对高校英语教师的口语课堂教学质量进行评价,文中提出了利用SOFM神经网络进行口语课堂教学质量评价的方法,建立了基于SOFM神经网络的教学质量评价模型,并对模型进行训练和泛化能力测试。仿真结果表明:建立的评价模型能够根据获胜神经元在竞争层的位置对教师的教学质量进行分类,收敛速度快,分类准确率高,泛化能力强,验证了模型的有效性。     

面向图表示社区检测的新型聚类覆盖算法

图表示社区检测使用图表示方法学习网络节点的向量表示,然后对节点向量进行聚类获得社团结构.然而经典的聚类算法在聚类节点向量时,得到的结果往往不能够体现社区的特性.提出一种新型的聚类覆盖算法,将聚类所得覆盖视为社区划分结果.首先在节点向量空间中计算得到每个簇的覆盖中心;然后根据覆盖中心到同类样本的平均距离作为覆盖半径,在向量空间中形成覆盖;最后对未覆盖的点做二次划分得到社区结构.在多个有真实和无真实标签网络的实验表明,所提出的算法可以得到更合理的社区结果.     

自组织模糊神经网络的气动参数辨识算法

导弹气动参数一般通过理论计算或风洞试验数据来获取,由于受诸多因素限制而难以获得精确值。为了提高导弹动力学模型的精确度,利用神经网络能够逼近任意非线性函数的特点,对各实际工作点的气动参数进行辨识。采用反向传播神经网络的结构模型,通过加入模糊推理算法进行神经元权值修正的聚类训练,并动态地调节隐层节点数目,由此提出了一种能够精确跟踪非线性函数的网络模型。网络中若不存在能代表某些输入的聚类中心的神经元时,增加隐层节点数即相当于增加相应的模糊规则,它体现了该网络的自组织特点。仿真结果验证了模型对气动参数辨识的有效性,该方法对于自动驾驶仪气动参数的修正具有良好应用前景。     

Using an Artificial Neural Network as a Rotor Resistance Estimator in the Indirect Vector Control of an Induction Motor

This paper presents a rotor resistance estimator based on an artificial neural network (ANN) used in the indirect vector control (IVC) of an induction motor (IM). Attention is focused on the dynamic performance of ANN rotor estimator, which gives superior performance over the fuzzy logic based rotor estimator reported in technical literature. The simulation was done using a 1.5 HP induction motor. The same ANN rotor estimator was proved with other IM having different rated power. The use of the same ANN was possible because the scaling and descaling (normalization) of the input and output of ANN was property done for each motor. The ANN training was done offline using the Levenberg-Marquardt algorithm. The neuronal network is a three-layer network; the first layer has fourteen neurons (or nodes), the hidden layer has five neurons and the output layer has only one neuron because the unique output signal is the rotor resistance value.     

基于信息传播的社交网络拓扑模型

研究社交网络的拓扑结构有利于深刻理解信息在人际网络中的传播过程以及社交网络所具有的拓扑特性。考虑到信息传递具有有向性,通过结合现实生活中信息传播所遵循的规律构造加权有向拓扑模型模拟信息传递的动态性,从而更好地仿真社交网络的拓扑结构。实验结果表明,模型所生成网络的拓扑结构的度、势分布以及度—势相关性具有明显的幂律分布特性;同时,通过分析所生成网络的聚类系数、核数和基尼系数,验证了其具有社交网络的聚集特性、层次性和异质性。     

模糊对向传播神经网络的学习算法

模糊对向传播神经网络的学习算法由输入层至竞争层的连接权向量和竞争层到输出层的连接权向量两部分的学习组成,对于前者,分别选用聚类法和工下降法,本文研究了模糊对向传播神经网络的两种学习算法从理论上分析了这两种算法的性质,把算法应用于著名Ｍａｃｋｅｙ－Ｇｌａｓｓ混沌时间序列预测问题中,实验结果表明后一种算法的学习精度及泛化能力较前一种算法要好,但前者的学习速度要快。     

可规划相位FIR滤波器的神经网络设计方法

本文针对可规划相频响应的实系数FIR滤波器的逼近问题,采用一个三层复激活函数前馈神经网络来实现。该网络隐层各神经元的激活函数为复指数函数,将滤波器系数作为隐层各神经元到输出层的连接权值,通过对误差函数的最小化来调整权值,并根据网络特性与所要设计的滤波器的特点,提出了一些实际设计中训练样本集选取与误差加权值设置的规则。依托所采用的神经网络,根据上述规则,进行了两例可规划相频特性的实系数FIR滤波器的设计,结果表明所设计滤波器的相频响应较好地满足了设计要求。     

A access-based clustering protocol for multihop wireless ad hocnetworks

The ad hoc network is a temporary wireless system without a fixed (wired or wireless) infrastructure. Many clustering algorithms have been proposed to partition mobile users into clusters to support routing and network management. Most previous studies, however, focus on algorithm design, lacking an overall evaluation of clustering overheads. We design a multiple access scheme for the broadcast of control messages, and propose a new access-based clustering protocol (ABCP) whose cluster formation is heavily influenced by the outcome of the multiple access. By taking into account many delicate aspects in the clustering process, the ABCP provides a generic, flexible, rapidly deployed and stable cluster architecture for the upper layer protocols. Simulation is used to compare ABCP with the other clustering strategy in terms of cluster stability and overheads. Since ABCP makes clustering decision directly based on the result of channel access, it requires fewer control overheads and has shorter convergence time than the other clustering criteria. We also demonstrate that the resulting cluster structure by ABCP behaves stable in face of topology changes     

基于熵的RBF神经网络在软测量中的应用

为了更好地确定RBF神经网络中心向量,并且使得最终的RBF神经网络结构可以进一步调整。提出了一种使用熵聚类的算法来首先确定RBF神经网络隐节点的个数及其初始值,实现初始化的基础上使用常规算法调整RBF神经网络的中心和训练宽度,最后使用基于互信息的RBF神经网络修剪算法调整网络结构。并将上述算法应用于COD软测量问题中,仿真实验结果表明：改进的算法与常规的算法相比,提高了训练速度和逼近精度。     

基于SOM神经网络的航舵故障分类方法

为解决航舵故障诊断的复杂非线性模式分类问题,提出一种基于自组织特征映射(SOM)神经网络的航舵故障诊断方法,构造一个2层SOM神经网络,训练后多个权值向量位于输入向量聚类中心,实现快速有效的自适应分类.仿真结果表明:SOM网络经过100次训练即可实现聚类,对有限故障测试样本分类准确率可达90％,对航舵故障诊断具有一定的参考价值.     

神经网络的特征映射聚类算法研究

自组织特征映射作为一种神经网络方法,在数据挖掘、机器学习和模式分类中得到了广泛应用。他将高维输入空间的数据映射到一个低维、规则的栅格上,从而可以利用可视化技术探测数据的固有特性。说明自组织特征映射神经网络的工作原理和具体实现算法,并在对已有神经网络聚类分析方法概括和总结的基础上,结合一些实验数据、仿真数据对自组织特征映射算法进行研究,得出了一些有意义的结论。     

具有小世界现象的无线传感器网络构造方法

小世界特性是复杂网络最重要的特性之一，将小世界理论引入到无线传感器网络(WSNs)，对优化网络拓扑结构及提高其性能具有十分重要的意义。 提出了一种新的具有小世界现象的WSNs构造方法RSLCS (Removing Superfluous Links and Creating Shortcuts). 该方法首先基于对集聚系数的分析，有选择性地删除一些边，然后基于Sink节点建立捷径，两个步骤交替进行，直到两个小世界特性同时达到最优。仿真表明此方法不仅增大了网络的集聚系数，降低了平均路径长度，使网络具有明显的小世界特性，而且简化了网络拓扑结构，使网络在低冗余的条件下具有好的抗毁性。