基于ComGIS和UML的ALEIS建模与实现

根据农用地分等定级与估价的基本原理和方法,以ComGIS为系统开发平台,利用UML技术,从系统整体设计入手,提出了采用多层次用例描述法建立农用地分等定级与估价信息系统（ALEIS）用例模型的过程,在此基础上介绍了ALEIS设计、编码与测试,最后提出了ALEIS的特点与发展趋势。在农用地分等定级与估价信息系统开发过程中,利用UML对系统进行建模分析能够取得较好的效果。     

省级农用地样地法分等研究——以重庆市为例

本文设计了省级样地法分等方案,其核心是分等单元自然质量分的计算,特点在于“土地剖面”的构建。应用该方法对重庆市农用地分等的五个试点区县进行了等别划分,共将研究区划分十二个等别。利用1034个调查样点单元的标准粮产量(y)及与之对应的自然质量分(x)进行线性拟合,判定系数R2=0.67。结果表明,样地法分等结果较好的反映了农用地的作物生产水平,该方法可以应用到其它同类区域。     

农用地分等中产量比系数求算方法的研究

对现行《农用地分等规程》中产量比系数计算方法进行探讨,寻求产量比系数的最佳求算方法;研究结果表明《规程》中产量比系数的算法使得研究区冬季作物的自然质量等指数偏大,与实际不符;按两套产量比系数计算的结果则不存在这一问题;建议在农用地分等中,种植制度为一年两熟的地区应分冬夏设两个基准作物,分别编制冬季播种作物和夏季播种作物的产量比系数。     

农用地分等定级估价信息系统设计与实现

在深入研究地理缓冲区及阻隔区的基础之上,对缓冲区分析进行了精度方面的改进,并且采用基于组件技术的MapX与Visual Basic工具集成完成二次开发,实现农用地分等定级估价信息系统.     

土地信息系统中面向对象数据模型的研究与应用

土地信息系统是以土地资源与资产管理为工作对象的计算机信息系统。土地信息具有综合性、共享性、动态性等特点。在对土地信息系统数据结构和操作进行分析的基础上,对面向对象的土地信息系统数据模型进行了研究。以之为基础进行了农用地分等定级实例对象的封装,并对该对象的内部结构进行了描述。     

基于双Kohonen神经网络的Web用户访问模式挖掘算法

本文根据Kohonen自组织特征映射神经网络中学习阶段的性质,运用双Kohonen神经网络组合成新的自组织训练挖掘模型,先使用粗调整训练,加快模型学习速度,紧接着使用微调整训练,提高模型学习精度。实验结果表明,本文提出的双Kohonen神经网络挖掘模型,相对于标准Kohonen神经网络在训练速度和收敛效果上都有一定程度的提高,改善了聚类效果,为挖掘用户的多种兴趣提供了一种可行的方法。     

基于模糊kohonen聚类网络的改进算法

模糊kohonen聚类神经网络将模糊隶属度概念应用于一般Kohonen聚类网络的学习和更新策略中,改善了Kohonen聚类网络的性能,是一种快速有效的聚类网络.但在死神经元的处理和收敛速度上还有改进的空间.为了能使网络更好应用于海量数据的聚类问题,对模糊Kohonen聚类网络算法在输出神经元的模糊偏置度、侧抑制模糊隶属度和加权系数提出了三方面改进.同时,对改进的模糊Kohonen聚类网络的有效性进行实例仿真,仿真结果体现了改进算法能有效避免死神经元的出现和提高了网络的聚类速度.     

基于Kohonen神经网络聚类方法在遥感分类中的比较

设计完成和比较了基于Kohonen自组织网络的Kohonen聚类网络（Kohonen Clustering Network, KCN）、模糊Kohonen聚类网络（Fluzzy KCN, FKCN）和基于进化规划的Kohonen聚类网络（Evalutionary Programming based KCN, EPKCN）三种聚类算法在遥感土地利用/覆盖分类中的应用。结果表明三种非监督学习方法在进行遥感土地利用/覆盖分类过程中，在分类性能上有显著差异。EPKCN分类目视效果最好，单次迭代的速度最快；FKCN总的收敛速度最快；而按遥感土地利用/覆盖分类要求而言，EPKCN方法在三种分类方法中效果最好，因此可采用该算法进行遥感土地利用/覆盖的非参数分类。     

图片报道

试验区TM影像；维Kohonen网络初步分类结果；优化后的一维Kohonen网络分类结果。     

神经网络技术在工程图标注文字识别中的研究

采用神经网络中的Kohonen自组织网络对工程图标注文字进行识别。讨论了Kohonen自组织网络的概念、原理、算法 ,及其用于对土木工程图纸标注文字识别的工作原理、算法实现和学习训练过程中的若干问题。     

基于人工神经网络与决策树相结合模型的遥感图像自动分类研究

本文提出了一种新的基于Kohonen神经网络与决策树相结合模型的遥感图像自动分类方法。选取绍兴地区为实验区，对TM图像进行了分类实验。并将该模型分类结果与基于Kohonen网络模型的分类结果进行了比较，发现对于江南低山丘陵河网密集区的TM图像应用该模型进行分类能够得到较为满意的分类结果，其分类精度可达到85．16％，较之单纯使用Kohonen网络模型提高了20．12％。     

IWO-Kohonen聚类算法在IDS中的应用

针对Kohonen神经网络模型网络入侵聚类正确率较低的问题,将入侵杂草优化(IWO)算法与Kohonen神经网络相结合,提出IWO-Kohonen聚类算法。利用IWO算法优化Kohonen神经网络的初始权值,训练Kohonen神经网络模型得到最优值。使用IWO算法增强算法的搜索能力,提高聚类正确率,并加快算法的收敛速度。实验结果表明,该算法与模糊聚类算法和广义神经网络聚类算法相比,分类正确率较高;与蚂蚁聚类算法和模糊C均值聚类算法相比,网络入侵检测率较高,误报率较低。     

神经网络在移动机器人路径规划中的应用研究

移动机器人路径规划可分为两种类型:(1)全局路径规划;(2)局部路径规划。本文分析了Kohonen神经网络算法及其识别机理,提出了Kohonen神经网络和BP神经网络结合起来进行路径规划的方法,最后给出了具体的算法,探讨了在神经网络技术中引入学习机制的特点。     

神经网络在移动机器人路径规划中的应用研究

移动机器人路径规划可分为两种类型(1)全局路径规划;(2)局部路径规划.本文分析了Kohonen神经网络算法及其识别机理,提出了Kohonen神经网络和BP神经网络结合起来进行路径规划的方法,最后给出了具体的算法,探讨了在神经网络技术中引入学习机制的特点.     

基于有监督Kohonen神经网络的步态识别

表面肌电信号随着时间的变化而改变,这将影响运动模式的分类精度.传统人体下肢假肢运动模式的识别算法不能保证在整个肌电控制时间内达到对运动模式的有效识别.为了解决这些问题,本文提取步态初期200ms的信号的特征值,将无监督和有监督的Kohonen神经网络算法应用到大腿截肢者残肢侧的步态识别中,并与传统BP神经网络进行了对比.结果表明,有监督的Kohonen神经网络算法将五种路况下步态的平均识别率提高到88.4%,优于无监督的Kohonen神经网络算法和BP神经网络.     

基于改进Kohonen网和BP网的色情图像识别技术

介绍了一种网络图像监管技术方案,在此基础上着重研究了基于Kohonen神经网络和BP网络的色情图像特征识别技术,而且通过引入分裂算法对Kohonen网赋初值,对BP网络采用随机样本输入以及动态调整学习率等方法,对识别技术进行了改进,使整个网络图像监督管技术取得了较好的识别效果。     

在线半监督Kohonen网络的预抓取手势识别

为实现智能仿生手的抓取,提高模式识别的实时性和灵敏性,提出一种在线半监督Kohonen网络。该网络针对表面肌电信号(s EMG)的特性,在有监督Kohonen网络基础上,将有监督和无监督网络的优势进行结合,应用数据剪辑方法处理训练集更新识别网络,在线识别侧边抓取、球形抓取、三指精确抓取和圆柱形抓取4种预抓取手势。实验表明,与不同Kohonen网络相比,此识别方法具有很好的在线识别能力和正确率。     

基于改进的Adaboost算法的交通事件自动检测

针对交通领域中的事件检测(无事件模式和事件模式)模式识别问题,提出了一种基于改进的Adaboost算法的交通事件检测方法。阐述了Kohonen神经网络的结构与训练算法,分析了事件对交通流的影响规律,并合理地选取了Kohonen神经网络的输入量;最后采用改进的Adaboost算法对分类结果进行加权投票。仿真实验表明,提出的方法学习速度快、泛化能力好,对交通事件具有较好的检测效果。     

Real-time condition monitoring and fault diagnosis in switched reluctance motors with Kohonen neural network

The faults in switched reluctance motors （SRMs） were detected and diagnosed in real time with the Kohonen neural network. When a fault happens, both financial losses and undesired situations may occur. For these reasons, it is important to detect the incipient faults of SRMs and to diagnose which faults have occurred. In this study, a test rig was realized to determine the healthy and faulty conditions of SRMs. A data set for the Kohonen neural network was created with implemented measurements. A graphical user interface （GUI） was created in Matlab to test the performance of the Kohonen artificial neural network in real time. The data of the SRM was transferred to this software with a data acquisition card. The condition of the motor was monitored by marking the data measured in real time on the weight position graph of the Kohonen neural network. This test rig is capable of real-time monitoring of the condition of SRMs, which are used with intermittent or continuous operation, and is capable of de- tecting and diagnosing the faults that may occur in the motor. The Kohonen neural network used for detection and diagnosis of faults of the SRM in real time with Matlab GUI was embedded in an STM32 processor. A prototype with the STM32 processor was developed to detect and diagnose the faults of SRMs independent of computers.     

基于GEP和CPN网络的文本聚类算法

针对传统的方法很难做到根据输入向量的实际分布来设置Kohonen层各神经元对应的权向量的状况,因其会影响文本的聚类质量,所以利用人工神经网络和基因表达式编程(GEP)的互补优势,通过利用GEP在组合优化的方法进行对CPN网络中Kohonen层的联接权向量的优化,提出了一种基于GEP和CPN网络的文本聚类算法(GCTCA)。通过实验结果表明了该算法在文本聚类上的有效性与优越性。