利用U矩阵对SOM网络的处理

自组织神经网络的最大优点是能够保持原始数据的拓扑结构。但是当数据量很大的时候,自组织神经网络的神经元的数据也随之增大。因此为了更好地对数据进行分析,需要将自组织神经网络中相似的神经元进行分组,也就是聚类。在对SOM网络进行再次分析之前,为了减少“噪音”数据和孤立点对聚类结构的影响,用U矩阵的变型方法对自组织神经网络分析的结果进行预处理。     

基于自组织映射的齿轮箱状态监测可视化研究

提出了一种自组织映射网络训练结果的可视化方法——距离映射法,该方法通过计算出竞争层神经元权矢量与输入模式的相似度,并综合考虑神经元的网格分布,把输入矢量降维映射到二维平面。结合该方法研究了自组织映射网络在齿轮箱故障识别和状态监测中的应用。与U－矩阵法相比,该方法能更加清楚地将齿轮正常、裂纹和断齿状态的特征数据映射到二维平面的不同区域,将齿轮箱状态聚类分开,特征数据在平面上的映像点轨迹变化趋势直观反映了齿轮箱工作状态的变化,便于及时监测识别出齿轮的早期故障及其变化趋势。     

基于Ⅰ-Miner的关联规则可视化方法

Ⅰ-Miner缺少关联规则可视化方法,且目前的关联规则可视化方法存在不少缺陷,如歧义、遮蔽和紊乱等。本文提出了改进的平行线法和改进的U矩阵法,利用颜色、文字和线条相结合,解决了歧义问题和图形遮蔽问题;采用了分页显示的方法,尽可能地避免了规则显示时的紊乱。两种改进法是对I-Miner软件缺少关联规则可视化方法的弥补。     

基于突现自组织映射的数据挖掘：测井岩性识别新方法

提出一种基于突现自组织映射的测井岩性识别数据挖掘方法。采用大规模神经元和无边界环面映射,用U矩阵进行可视化,最后通过人工交互进行聚类和分类。将该方法用于准噶尔盆地陆东一五彩湾地区的火山岩岩性识别,效果良好,准确率达90％以上。该方法能有效发现高维数据中隐藏的模式,尤其适合复杂岩性的测井识别。     

Fault diagnosis of rocket engine ground testing bed with self-organizing maps （SOMs）

To solve the fault diagnosis problem of liquid propellant rocket engine ground testing bed,a fault diagnosis approach based on self-organizing map(SOM)is proposed.The SOM projects the multidimensional ground testing bed data into a two-dimensional map.Visualization of the SOM is used to cluster the ground testing bed data.The out map of the SOM is divided to several regions.Each region is represented for one fault mode.The fault mode of testing data is determined according to the region of their labels belonged to.The method is evaluated using the testing data of a liquid-propellant rocket engine ground testing bed with sixteen fault states.The results show that it is a reliable and effective method for fault diagnosis with good visualization property.     

基于聚类和SVDD的一类入侵检测模型

为了解决传统支持向量数据描述算法(SVDD)中样本不集中导致算法包括非己空间样本,从而形成噪声影响检测性能的问题,建立一种基于SVDD算法和聚类算法相结合的入侵检测模型.首先通过K-means算法对正常样本数据进行聚类;然后利用SVDD对聚类后的数据集合进行描述;最后利用多个判决函数对样本进行判别.实验中对核函数参数的选择进行了分析,并同其他检测算法比较,验证了该思想的正确性.