有监督SOM神经网络在入侵检测中的应用

为提高自组织特征映射(SOM)神经网络的分类性能,提出一种有监督SOM神经网络(SSOM)。在输入层和竞争层的基础上增加输出层,根据输入样本的不同预测类别,选取不同的公式调整权值,并训练网络。通过2个权值的组合,实现对样本类别的回归和统计。基于KDD CUP99入侵检测数据集的实验结果表明,与其他SOM网络相比,SSOM具有更好的分类性能和更高的入侵检测率。     

组合人工神经网络在地震预测中的应用研究

研究地震测试,为了精确预报地震,减少伤亡和捷足损失,针对地震预测中的预测因子数据高度非线性问题,以及训练样本数量有限和分布不均匀的问题,给测试带来困难.采用组合人工神经网络对地震预测因子样本进行建模和预测.用自组织映射(SOM)神经网络对地震预测因子样本进行分类,使原本较为分散的样本点各自集中到内在规律较为相似的样本类...     

一种新的模糊规则提取方法

提出了一种新的模糊规则提取方法,该方法先采用基于山峰函数的减法聚类法自适应地确定初始的聚类中心,然后由此构造动态自组织神经网络进行学习,在学习的过程中可根据情况适当地合并或分裂神经元,并重构神经网络继续学习,最后按聚类中心确定模糊子集数目和隶属函数并形成模糊规则集.实验结果表明,通过网络结构和神经元的动态自适应变化能够获取样本集中的模糊信息,形成直观的模糊规则.     

MatLab在图像矢量量化中的应用

从矢量量化的特点和码本设计方法出发,探讨MatLab在矢量量化中的应用,利用MatLab编程实现图像矢量量化,并给出了程序运行结果,通过对运行结果进一步分析,效果良好,为图像矢量量化提供了一个新的途径.     

广义SOM及其在人脸性别识别中的应用

将适用于欧氏空间的经典SOM模型,借助于黎曼指数及对数映射,推广至一般黎曼流形空间中,得到了广义SOM模型(G-SOM),给出了G-SOM模型的序列及批量学习算法.G-SOM能够在输出空间中保持模式在输入空间中的内蕴拓扑邻域特性,因此,当输入空间为非线性流形时,G- SOM的性能理论上将优于SOM.FERET人脸图像库...     

SOFM网络及其在MATLAB中的实现

本文详细叙述了自组织映射网络的原理、算法及其在Matlab中实现的工具箱,并结合实例给出了SOFM在Matlab上的实现方法,对于SOFM的现存问题和未来研究趋势作了分析和展望.     

SOFM网络及其在MATLAB中的实现

本文详细叙述了自组织映射网络的原理、算法及其在Matlab中实现的工具箱,并结合实例给出了SOFM在Matlab上的实现方法,对于SOFM的现存问题和未来研究趋势作了分析和展望。     

利用模糊神经网络实现逆向工程中的区域分割

论文提出了一种改进的模糊自组织特征映射网络(fuzzySOFM),它不仅显著加快了聚类的速度,而且算法简单。该网络采用由数据点的坐标、估算出的法矢量和曲率构成的八维特征向量作为输入,快速地实现了逆向工程中点云数据的区域分割。与现有方法相比,该方法具有以下优点:第一,具有更高的聚类速度,并可以直接处理含噪声数据;第二,聚类的结果与数据输入的顺序无关;第三,能利用数据的隶属度快速提取出特征线数据,从而将基于面的分割和基于线的分割结合起来。实验结果证明了这种方法的有效性。     

工程项目施工中物资供应质量可追溯模型研究

针对工程项目施工中物资管理过程中的质量安全问题,结合物资批次映射关系,设计以TOB为可追溯对象的物资质量可追溯模型。该模型采用基于追溯批次记录与逐级编码方式,引入批次质量特征(BOF)的概念,并基于BOF,利用符号化的可追溯对象将物资供应链各环节的信息关联起来。在此基础上,提出了物资批次的三种映射转换,实现了供应链中物资质量的跟踪和追溯,构建了工程项目施工中物资供应质量追溯系统。最后通过应用实践,证明了该模型的有效性和可行性。     

Type-2 fuzzy neural networks with fuzzy clustering and differential evolution optimization

In many real-world problems involving pattern recognition, system identification and modeling, control, decision making, and forecasting of time-series, available data are quite often of uncertain nature. An interesting alternative is to employ type-2 fuzzy sets, which augment fuzzy models with expressive power to develop models, which efficiently capture the factor of uncertainty. The three-dimensional membership functions of type-2 fuzzy sets offer additional degrees of freedom that make it possible to directly and more effectively account for model’s uncertainties. Type-2 fuzzy logic systems developed with the aid of evolutionary optimization forms a useful modeling tool subsequently resulting in a collection of efficient “If-Then” rules.The type-2 fuzzy neural networks take advantage of capabilities of fuzzy clustering by generating type-2 fuzzy rule base, resulting in a small number of rules and then optimizing membership functions of type-2 fuzzy sets present in the antecedent and consequent parts of the rules. The clustering itself is realized with the aid of differential evolution.Several examples, including a benchmark problem of identification of nonlinear system, are considered. The reported comparative analysis of experimental results is used to quantify the performance of the developed networks.     

Type-2 fuzzy logic-based classifier fusion for support vector machines

As a machine-learning tool, support vector machines (SVMs) have been gaining popularity due to their promising performance. However, the generalization abilities of SVMs often rely on whether the selected kernel functions are suitable for real classification data. To lessen the sensitivity of different kernels in SVMs classification and improve SVMs generalization ability, this paper proposes a fuzzy fusion model to combine multiple SVMs classifiers. To better handle uncertainties existing in real classification data and in the membership functions (MFs) in the traditional type-1 fuzzy logic system (FLS), we apply interval type-2 fuzzy sets to construct a type-2 SVMs fusion FLS. This type-2 fusion architecture takes considerations of the classification results from individual SVMs classifiers and generates the combined classification decision as the output. Besides the distances of data examples to SVMs hyperplanes, the type-2 fuzzy SVMs fusion system also considers the accuracy information of individual SVMs. Our experiments show that the type-2 based SVM fusion classifiers outperform individual SVM classifiers in most cases. The experiments also show that the type-2 fuzzy logic-based SVMs fusion model is better than the type-1 based SVM fusion model in general.     

基于虚拟样机与二型模糊系统的机车粘着控制

为了抑制轮对空转,并使轮轨间的粘着处于极限状态,需要开发基于虚拟样机和现代控制理论的机车粘着控制技术。组建了包括电力机车多刚体动力学模型、电力牵引传动系统和控制系统的仿真平台。针对电力机车牵引系统的强非线性和不确定性,引入二型模糊逻辑以实现机车粘着控制。仿真结果表明,在该仿真平台上能够成功实现基于二型模糊系统的粘着控制,并且能够较好地抑制空转现象,实现优化粘着控制。     

精确在线支持向量回归在股指预测中的应用

建立了基于精确在线支持向量机回归算法的股指短期预测模型,并通过和另外两种基于传统训练方式的支持向量机预测模型进行比较,验证了该方法的有效性。     

SOM网络模型在刑事案件并案侦查中的应用

在公安信息化应用过程中，对于刑事案件信息系统数据的应用仅限于存储、查询、和检索，而对这些数据进行更深层次的挖掘必将有利于提高案件的侦破水平和破案效率。并案侦查是公安机关刑事案件侦查中的一种重要手段，文章针对刑事案件信息数据的特点，在对案件相关信息预处理的基础上，通过构建自组织特征映射神经网络，对相同或相似案件进行聚类分析，为刑侦人员串并案件提供了一种新的方法，同时也为公安机关进行案件分析、发布预警信息提供辅助参考依据。     

基于熵和风险态度的二型模糊多属性决策方法

针对属性权重信息完全未知的二型模糊多属性决策问题,提出了一种基于二型模糊熵和决策者风险态度的决策方法。首先,为了准确测度二型模糊集（T2FS）的不确定性,通过引入模糊因子和犹豫因子建立了二型模糊熵的公理化准则,并基于距离测度给出了对应的计算公式。其次,为了减少整体不确定信息对决策结果的影响,结合二型模糊熵构建非线性规划模型来确定属性权重。同时,将决策者的风险态度引入二型模糊信息的得分函数中并给出具体的决策步骤。最后,通过实例分析验证了该决策方法的可行性,并与现有文献对比发现该决策方法更具有灵活性。     

灰色算法在股票价格预测中的应用

股市投资已经成为人们生活中的重要组成部分,在股票市场中人们最关心的就是股票价格的变化.为了更精确的预测股票价格,得到更合理的股票投资意见.文章中提出了利用灰色系统理论对股票价格进行预测,并且利用残差修正预测结果的方法.根据灰色系统理论建立数学模型,利用得到的股票价格求得具体的预测模型及其预测结果,然后对所得结果进行残差修正以得到更精确的股票价格.文章中对华工股票价格进行预测后,发现利用灰色理论对股票价格预测,具有较高的精确度和应用价值.     

航空发动机性能识别SOFM收缩聚类方法

自组织神经网络SOFM可以将多维数据快速地映射到二维平面上,但需要进行人工聚类划分。由于多尺度栅格技术可以对数据实现密度检测,相应的收缩聚类方法采用大小可变的栅格对相连单元进行标识,将点沿着数据的密度梯度进行移动,自动计算最好的簇作为聚类结果。以多维发动机飞行参数为应用对象,数据预处理提取特征后,按隶属度获得特征向量后输入SOFM网络,用收缩聚类算法(SCM)实现对输出的自动聚类检测,完成对发动机状态有效分析。实验结果和专家判读完全一致。     

基于自组织映射模型的数据挖掘算法在对二甲苯吸附分离过程中的应用

以PX吸附分离过程为研究对象，运用基于SOM模型的数据挖掘算法对其进行分析研究．SOM模型在整个挖掘过程中起了关键性的作用．一方面，SOM模型作为探索性数据分析的有效工具，为进一步的挖掘提供了依据．另一方面，SOM模型为聚类算法提供参数指导和数据支持．最终，通过数据挖掘实现了两个目标，得到了在不同负荷情况下操作参数的稳态优化区域；建立了可用于指导操作员改进操作的可视化实时评估模型．