化工故障诊断中基于遗传算法优化的SOM网络

针对自组织映射神经网络(SOM)启发式训练算法中的缺陷,采用遗传算法SOM中的权重失真指数(LWDI),形成基于遗传算法优化的SOM(GA-SOM)训练算法。将GA-SOM算法应用于化工过程故障诊断,以某工厂甲醇合成反应器故障数据样本为研究对象,研究结果表明,对比基本SOM算法,GA-SOM算法对故障数据能够得到较优的分类辨识结果,且该算法实现简单,便于工程应用,对甲醇合成生产中的故障诊断有非常显著的指导作用。     

SOM神经网络改进及在遥感图像分类中的应用*

针对自组织特征神经网络自身算法的特点和缺陷,采用遗传算法对网络进行改进,形成了基于遗传算法的自组织特征神经网络,并从输入向量、竞争层神经元数量设置和初始权向量设定三方面,结合遥感图像的特性对自组织特征映射网络遥感图像分类的方法进行了改进。将该方法应用于择西安地区的ETM+卫星遥感图像进行分类试验,结果表明,基于遗传算法的自组织特征映射网络使得遥感图像的分类精度更高,且该算法实现简单,具有一定的工程应用价值。     

SOM网络的改进及其在储粮害虫分类中的应用

自组织特征映射神经网络(SOM网络)在分类方面存在的不足是训练时间长、分类精度不高以及学习过程容易发生振荡。为了改善SOM网络的分类性能,达到提高和分类精度的目的,提出了SOM网络的工作原理及算法,得出影响SOM网络分类性能的主要因素,包括学习率、初始权值、训练次数及邻域设置等,并分别提出了改进方法。利用改进后的SOM网络,通过3折分层交叉验证方法对储粮害虫数据进行分类验证,仿真实验结果表明,改进后的SOM分类器在学习速度和分类精度方面都得到了较大提高,证明提出的改进方法是有效的和可行的。     

高等学校教育资源集聚分类的SOM模型及应用

从集聚分类的角度,实证研究高等学校教育资源状况聚类模型,提出教育资源状况的聚类模型并结合实际进行分类。     

一种基于混合核函数的SOM网络流量分类方法

由于传统的自组织映射SOM方法对高维、非线性的网络流量数据的分类性能效果不佳,本文引入核方法,提出一种基于混合核函数的SOM(MIX-KSOM)网络流量分类方法。该方法结合了全局性和局部性核函数的优点,采用径向基函数和多项式函数线性组合构成的混合核函数代替内积作为距离度量,使输入空间中复杂的流量样本在特征空间得以简化。实验结果表明,采用MIX-KSOM方法能较好地对网络流量进行分类,较传统的SOM、采用单一核函数的SOM(KSOM)分类方法性能更好,分类准确率也高于NB方法。     

基于核函数的SOM网络流量分类方法

由于网络流量数据高度非线性,传统的自组织映射(self-organizing maps,SOM)网络对此分类的鲁棒性和可靠性较差,提出了一种基于核函数的SOM(kernel SOM,KSOM)网络流量分类方法。该方法用核函数代替原始数据在特征空间中映射值的内积,使输入空间中复杂的流量样本结构在特征空间中得到简化,实现对有多个统计特征属性的网络流量在应用层的分类。实验结果表明,KSOM能识别新应用类型的流量,较传统的SOM更适合对网络流量进行分类,其分类准确率高于NB方法。     

基于遗传算法的核函数可调SOM方法

自组织映射(SOM)算法是一种无导师学习方法,当学习样本分布呈多态形式,具有高度非线性时,该算法显示出较差的鲁棒性和可靠性.基于核函数的学习是通过核函数实现一个从低维输入空间到高维特征空间的映射,从而使输入空间中复杂的样本结构在特征空间中变得简单.但是针对不同的数据集,各种核函数的分类效果不同,所以核函数选择是问题依赖的.采用核函数可调的方法,基于SOM网络结构,通过学习,采用遗传算法(GA)调整系数,能得到比单个核函数分类效果更好的结果.     

基于SOM网络的数据聚类

本文提出了一种基于自组织映射网络的数据聚类方法,该方法具有无需监督,能自动对输入模式进行聚类的优点,并且提出了加速其自组织过程的改进方法.     

基于SOM网络的数据聚类

本文提出了一种基于自组织映射网络的数据聚类方法,该方法具有无需监督,能自动对输入模式进行聚类的优点,并且提出了加速其自组织过程的改进方法。     

基于改进的SOM网络模型的VoIP QoS应用研究

VoIP的服务质量（QoS,Quality of Service）评估可以采用一系列可度量的参数来描述：业务可用性、吞吐量、延迟、抖动、分组丢失率等。现有的感知语音质量评价（PESQ）很难对不同环境下的网络结构进行实时和恰当的语音等级质量分类。为了能够综合考虑几种QoS相关因素,在给出改进的自组织映射神经网络模型（ESOMNN）的基础上,利用ESOM能够对高维输入数据有效分类的特点,提出了将端到端延迟、丢包率、抖动、语音编码以及测试系统标识作为ESOMNN的输入数据,在对采样数据进行训练后可自动完成语音质量评价和映射,并能根据得到的实时变量有效地评价包含多种相关因素的QoS级别。     

遗传算法与神经网络在接纳控制中的应用

ATM网络的业务量控制是ATM网络中的关键技术之一。连接接纳控制是业务量控制的一种,对业务源进行控制。该文采用遗传算法和神经网络对ATM网络进行连接接纳控制,是一种比较可行的方法。     

一种基于遗传算法的模糊神经网络最优控制

通过对控制系统的过程模拟,提出一种模糊神经网络最优控制方案。离线化部分基于遗传算法,分三阶段实现模糊神经网络控制器结构和参数的优化。在线优化部分通过重构模糊神经网络控制器的去模糊化部分,进一步调整控制规则,实现在线去模糊优化。仿真结果表明该方案优于常模糊控制方案和基于专家经验的模糊神经网络控制方案。     

中国民族乐器的特征值提取和分类

文章处理的是中国民族乐器的识别分类问题.提出了一种基于合适的音频特征值选择方法,该方法在基于MPEG_7标准的声学特征,在特征值的时间特性上进行改造,并加入改进后的特征值.从提取的音频特征值数据集选择K-最近邻算法.特别是对没有加入新特征值和加入新特征值后生成分类器模型的性能进行了比较.实验结果证明新特征值的加入提高了分类器的F1度量值.     

遗传算法在森林防火预警网络中的应用

将遗传算法进行改进并应用于无线传感网络的优化设计中,根据森林的实际环境建立合适的数学模型,并在此基础上给出适应度函数和传感器网络的组网策略.当有异常情况发生,能够准确及时的发出警报,并发出位置信息.针对遗传算法容易进入局部最优解的误区,把模拟退火算子加入遗传算法,同时基于以往的交叉概率和遗传概率的选取不当给寻优结果带来...     

用遗传网络校正传感器非线性误差的研究

文章描述了一种用反函数校正传感器非线性误差的方法。阐述了校正原理，提出了利用BP神经网络和遗传算法相结合，拟合传感器传输特性反应函数的算法，该算法可将传感器传输特性的非线性模型，改造成为与实际物理过程相一致的不失真的线性模型，给出了一个应用实例，其结果表明，可使传感器的非线性误差有较大的减少。     

基于MP稀疏分解原子参数的乐器分类

Mel频率倒谱系数(MFCC)等传统声学特征不能精确地体现出不同乐器信号间的差别。为此,提出一种基于匹配追踪(MP)稀疏分解原子参数的乐器分类方法。利用MP算法提取各类乐器信号的稀疏分解原子,将得到的原子参数作为特征,通过支持向量机进行分类。实验结果表明,该方法的分类正确率达到89.17%,相对于MFCC提高了17.37%。     

利用对抗网络改进多标记图像分类

为了更有效地对多标记图像进行分类,提出一个改进的卷积神经网络模型,通过融合多层次特征并利用空间金字塔池化来学习多标记图像中的多尺度特征,同时设计对抗网络生成新的样本辅助模型训练.首先,对传统卷积神经网络模型进行改进,利用空间金字塔池化层替换网络的最后一层,并将在ImageNet上预先训练好的参数传递给该模型;然后,通过将深层特征和浅层特征进行融合,使得模型对不同尺度的物体具有更好的识别能力;最后,设计了一个对抗网络生成带遮挡的样本,使模型对遮挡物体的识别也具有良好的鲁棒性.实验测试在2个基准数据集上进行,文中模型在Corel5K数据集上的平均查准率和平均查全率分别为0.457和0.427,mAP值达到0.442,而在PASCAL VOC 2012数据集上的mAP值则达到0.85.实验结果表明,与当前国际先进的模型相比,该模型具有更好的有效性和更强的鲁棒性.     

基于自适应遗传算法的OSPF链路权重优化

在综合考虑链路利用率、链路流量与剩余带宽的基础上,提出了OSPF链路权重优化目标函数,建立了优化数学模型,并设计了自适应遗传算法对其进行求解。实验结果显示提出的优化目标函数在满足给定流量要求的前提下,可以减少链路上的总流量;在网络流量较大时,能够均衡网络内负载分布,提高网络总吞吐量。     

Using Genetic Algorithms to Model the Evolution of Heterogeneous Beliefs

We study a general equilibrium system where agents have heterogeneous beliefs concerning realizations of possible outcomes. The actual outcomes feed back into beliefs thus creating a complicated nonlinear system. Beliefs are updated via a genetic algorithm learning process which we interpret as representing communication among agents in the economy. We are able to illustrate a simple principle: genetic algorithms can be implemented so that they represent pure learning effects (i.e., beliefs updating based on realizations of endogenous variables in an environment with heterogeneous beliefs). Agents optimally solve their maximization problem at each date given their beliefs at each date. We report the results of a set of computational experiments in which we find that our population of artificial adaptive agents is usually able to coordinate their beliefs so as to achieve the Pareto superior rational expectations equilibrium of the model.