基于SOM的高维化工过程数据粗差判别

针对石油化工生产过程样本数据呈高维的特征.提出了基于自组织映射(Self-Organizing Map,SOM)网络的粗差判别方法.并实际应用于初馏塔生产过程.首先应用SOM网络对初馏塔生产过程数据进行保留拓扑结构的降维映射,然后通过对其映射平面神经元间距离的可视化分析,实现数据粗差判别.研究结果表明用SOM网络来发现高维复杂生产过程数据中的粗差具有很好的可视化效果及应用前景.     

模糊SOM网络在油气预测中的应用

把模糊集合论中隶属度的概念引入SOM网络的学习过程中,用“走着瞧”的分类策略代替“一步定终身”的作法,较好地克服了SOM网络中模式类别分界线难以确定以及网络权值局部振荡而引起的学习时间延长的缺陷．该算法中隶属度由文献[1]中模糊ISODATA算法确定,本文将SOM与模糊ISODATA的这种结合称为模糊SOM网络,即FSOM．将其应用于实际的油气预测中,取得了良好的应用效果．     

基于Kernel-SOM的金融时间序列预测可视化研究

为了提高金融时间序列预测可视化的效果,在经典的自组织映射SOM(Self-O rgan ization M ap)中引入了核(Ker-nel)的思想得到Kernel-SOM。较之于SOM,使用Kernel-SOM可以学习得到模式在输入空间中的非欧分布信息。当输入模式中非欧信息占据主导地位时,Kernel-SOM的学习效果将显著优于SOM。实验结果表明,Kernel-SOM更适合于金融时间序列预测的可视化应用。     

基于模式总体设计应用系统的开发及实现

基于模式信息系统总体设计方法,开发了与其相对应的应用系统,并对该系统的功能结构、数据库设计、基于SOM网络的模式生成和基于BP网络的模式实例化设计及实现过程进行了详细介绍。对人工智能技术与信息系统开发相结合进行了有益的探索。     

基于SOM的聚类算法在抑郁症药物药效检测中的应用

为了研究不同治疗抑郁症的药物（利血平、开郁安神胶囊）对抑郁症的治疗效果,用SOM和K-Means相结合的方法对用药后的抑郁症大鼠DNA的芯片样本进行聚类。结果表明,将K-Means用于收敛后的SOM网络,不仅较好地解决了SOM在训练样本后边界不清的问题,也将样本的训练结果映射在二维,有利于对聚类结果的呈现。此外,改进的算法能较好地解决K-Means对初始质心的选择难、对聚类类别的定量难等问题。     

基于DGSOM_A*的移动机器人地图创建和路径规划

针对移动机器人未知环境路径规划问题,基于动态自组织特征映射网络提出了一种自组织网络动态生成A*的算法(dynamic growing self-organizing map with A*,DGSOM_A*),并将其应用于移动机器人地图创建和路径规划.该方法利用Mobotsim二维仿真软件构造了环境模型,机器人通过无碰自由巡航获取环境信息,然后把上一步得到的环境信息作为DGSOM_A*算法样本通过SOM神经元自主生长进行地图创建,生成以少数SOM图神经元分布描述环境特征信息的拓扑地图,最后完成起始点到目标点的导航任务.实验结果表明,相比传统的SOM算法,基于DGSOM_A*算法机器人能有效地通过对环境地图的绘制熟悉复杂环境并能实现最优路径选取.     

基于粗糙集和神经网络的机械故障诊断研究

提出了粗糙集理论与神经网络结合的机械故障诊断方法,研究了连续属性离散化的SOM方法和条件属性约简的差别矩阵方法,归纳了构建神经网络需考虑的关键问题,用一个算例验证了方法的有效性.结果表明：粗糙集能有效地约简冗余信息,简化神经网络的结构,缩短网络的训练时间,提高诊断的效率;SOM网络能将连续性输入映射成具有理想聚类结果的离散性输出,并能保持数据间的拓扑结构不变;利用差别矩阵对决策表进行约简,结果准确可靠;BP神经网络泛函逼近能力强,能快速准确地完成特征空间到故障空间的映射.     

一种用于时空模式识别的综合神经网络

介绍了一种用于时空模式识别的综合神经网络模型，称为ＴＳ－ＬＭ－ＳＯＦＭ．该网络的顶层是一种称为ＴＳ（ｔｅｍｐｏｒａｌｓｅｑｕｅｎｃｅ）的单层时序识别网络，可以把时序模式转换成抽象的空间模式．该网络的底层是ＳＯＦＭ（自组织特征映射网络），用于空间模式特征检测．ＬＭ（学习矩阵）用于上述两层的联接．在实验中，用移动机器人超声阵列传感器作为输入训练，结果表明，该神经网络输出的模式能够较好地抽象表示输入信号的时空特征．     

基于HMM和自组织映射的网络入侵检测算法

随着网络入侵多样化的发展,传统的防火墙、数据加密等防御方法已经很难保证系统和网络资源的安全,为此,设计了基于隐形马尔科夫模型HMM和自组织映射SOM的网络入侵检测方法。首先建立了自组织映射-HMM的双层入侵检测模型,采用样本数据训练SOM网,然后将测试数据输入SOM模型获得观察序列对应的攻击类别的后验概率,将此后验概率用于训练HMM模型获得概率初始分布和状态转移概率等各参数。最后,通过比较测试数据在各模型下发生概率的大小来获取对应的攻击类别。仿真实验表明本研究方法能有效实现网络入侵检测,较经典的HMM方法以及改进的神经网络方法,具有较高的检测率和较低的误报率,同时具有较少的检测时间。     

基于自组织网络的货郎担问题解决方案

货郎担问题（Traveling Salesman Problem，TSP）作为组合数学中的经典问题，具有一定的研究价值．首先陈述了基于自组织网络（Self-Organizing Maps，SOM）的TSP问题的解决方案，然后着重分析为什么SOM网络能够体现这样的计算智能，并探讨了如何将其应用到其它的优化问题当中．     

基于神经网络的不规则件排样技术

提出一种利用人工神经网络求解不规则件排样问题的方法。对于二维不规则零件在排样区域上的优化排列,采用自组织特征映射模型(SOM)和Hopfield人工神经网络相结合的方法,寻找排样件在排样时的最优位置及各自的旋转角度,实现了二维不规则件自动排样,得到满意的优化排样结果,实例证明了该算法的有效性和实用性。     

多层复杂网络上的渗流与级联失效动力学

多层网络描述了复杂系统之间或强或弱的耦合或联系.为了较为系统和全面地介绍基于渗流理论的多层网络鲁棒性研究,该文综述了多层网络跨层节点的依赖特征、层内节点的连接结构特征、层内节点的耦合特性和攻击方式对级联失效动力学和鲁棒性的影响.与单层网络完全不同,多层网络会在遭受攻击时发生突然性的崩溃;同时度分布异质性较强的多层网络会...     

复杂网络中具有低易感的疾病传播问题研究

基于真实流行病学中免疫力减弱的特性,提出一个新的疾病传播模型即复杂网络中具有低易感即免疫力减弱的传播模型。 利用平均场理论和计算机仿真对该模型的传播行为进行了详细研究,结果表明该模型的传播阈值主要与网络拓扑结构、免疫丧失率和免疫保留率有关。 小世界网络中存在非零的传播阈值,而无标度网络在网络规模无限大的情况下传播阈值趋于零。 在网络拓扑结构不变的情况下,增大节点的免疫保留率可以增大小世界网络和无标度网络上的传播阈值,降低疾病的传播范围,从而有效控制传染性疾病在复杂网络上传播。     

基于复杂网络理论的计算机网络拓扑分析

从复杂网络理论、计算机网络拓扑技术、复杂网络理论在计算机网络拓扑中的应用等方面,具体阐述了复杂网络理论基础上的计算机网络拓扑技术。     

工业过程操作优化可视化方法:降维分析法

应用降维分析法把多维空间的样本数据降维映射到二维平面上的同时，可生成目标函数的等值线。由二维平面上的映射图像可展现多维空间数据的拓扑构形和特征。利用映射图像可以直观地剔除异常样本数据、选择优化决策变量和预测最优操作点和优化方向。用实例演示了降维分析法的有效性。     

基于人工神经网络的知识求精方法

将神经网络用于知识求精的主要局限性,是训练时不能改变网络的拓扑结构。本文根据结构学习算法提出了一种基于神经网络的知识求精方法,训练时采用动态增加隐含节点和网络删除改变拓扑结构,然后提取求精后的规则知识。大量实例表明,该方法是有效的。     

动态融合复杂网络节点重要度评估方法

为挖掘复杂网络中的关键节点及提高网络鲁棒性,针对有/无线多网融合的层级网络,提出了动态融合复杂网络模型及其节点重要度评估方法.结合动态融合复杂网络的特点,定义了边连通概率、路径连通概率、网络连通概率、融合节点比例、融合节点分布和融合路径比例等与网络动态性和融合性相关的参数.在单层复杂网络节点重要度评估指标的基础上,设计了融合网络节点度中心性、节点介数中心性和节点融合中心性指标.其中,融合节点的节点融合中心性表示融合节点对网络融合的贡献程度,非融合节点的节点融合中心性表示非融合节点对网络融合的辅助作用程度,主要体现在作为融合节点之间的中继节点.最后,综合考虑网络拓扑结构、动态融合特性等因素进行节点重要度评估.以改进的动态交织风筝网络为例进行仿真分析,结果表明该方法能够比较全面地刻画节点在动态融合复杂网络中的重要性.利用NS2搭建由光通信网和卫星通信网融合构成的仿真实验网络,进一步验证了在仿真网络环境中本方法的有效性.