基于SOM神经网络的人力资本聚类分析

对人力资本数据进行知识的发现,可以了解未来各地区人力资本的演化进程,从而对连带的一系列的社会问题如教育、劳动力结构等将有一个充分的认识。正确的人力资本预测结果将对政府制定与此相关的政策意义重大,利用数据挖掘中的SOM神经网络技术,对各地区的人力资本进行了聚类分析,得出中国各地区的教育结构分为5个层次的结论。聚在一起的地区在教育的结构层次上具有一定的相似性,而且与各地区经济发达程度密切相关并得到部分结论。     

基于SOM神经网络的凝汽器故障诊断研究

应用自组织特征映射(SOM)神经网络实现凝汽器的故障诊断。介绍了SOM网络的结构和学习算法;总结了凝汽器的故障集、征兆集和故障特征数据。在MATLAB环境下给出了凝汽器故障诊断的具体实例,表明该方法是一种可行有效的凝汽器故障诊断方法。     

基于小波奇异熵和SOM神经网络的微电网系统故障诊断

针对微电网系统运行方式灵活、拓扑结构多样的特点,基于对小波变换、奇异值分解和泛化信息熵基本理论的分析,揭示了小波奇异熵能够对故障信号给出确定的量度,将小波奇异熵与自组织特征映射(self-organizing feature map, SOM)神经网络相结合,提出一种能够适应微电网系统拓扑结构变化情况的故障诊断方法。 利用PSCAD4.2建立了微电网故障仿真系统,进行故障诊断仿真试验。 试验结果表明:该方法不受故障位置、故障时刻等因素的影响,在微电网系统拓扑结构发生变化的情况下,能实现有效的故障诊断。     

基于SOM神经网络的半监督分类算法

为提高半监督分类的性能,提出一种基于SOM神经网络的半监督分类算法SSC-SOM。结合SOM的聚类特性,基于先聚类后标记的思想,充分利用有标记样本和未标记样本训练SOM分类器;将聚类的形成和有标记样本分配到各个聚类中同时进行,并根据有标记样本计算各个聚类的聚类中心;在整个未标记样本的范围内,根据聚类中心,使用K近邻算法对未标记样本进行标记,挖掘未标记样本的隐含信息。在UCI数据集中进行分类实验,其结果表明,SSC-SOM的分类率比SSOM提高2.22%,且收敛性较好。     

基于混合神经网络编队协同空战决策支持系统

针对缺少先验知识的前提下,提出一种混合神经网络编队协同空战决策支持系统,同时采用一种无教师一有教师的混合训练算法来训练混合神经网络。仿真结果表明该系统的有效性。     

基于SOM神经网络的变电站设备红外热像诊断研究

提出了基于自组织神经网络(SOM)判别变电站设备热故障类型的红外图像诊断方法.采用了最大类间差法(OTSU)对电力设备红外热像进行了分割处理,从中提取出包括设备红外热像的温度特征值、Zernike不变矩等12个参数,以此作为设备状态识别的信息输入量,将设备的状态分类信息作为输出向量.通过训练56组红外热像数据,确定了SOM神经网络识别模型中的参数值.试验结果表明:该方法可用于变电站设备状态诊断,相对于传统的神经网络方法的诊断结果,该方法对设备运行状态评估的准确率高达85.7%,如将诊断模型产生的可疑状态列入故障状态,则故障的诊断率可达到95%以上.     

基于SOM神经网络的三维编织复合材料制件损伤诊断模型研究

三维编织复合材料制件主要应用于承载器件,在实际应用过程中经常会受到高温、高压、高空辐射等环境因素的影响,容易出现制件疲劳甚至损伤情况.笔者建立了基于自组织特征映射神经网络（SOM）的损伤诊断模型,实现了三维编织复合材料制件的损伤监测和数据分析处理;设计了基于MATLAB的仿真实验平台,实现了制件损伤监测与分析的可视化.实验获得的损伤监测数据与制件实际测试的数据相同,证明了建立的基于SOM的损伤诊断模型在三维编织复合材料损伤监测和数据分析处理方面的可行性,对提高我国复合材料制件的健康监测应用水平具有应用价值.     

基于SOM的变压器绕组和铁芯故障诊断

为了实现变压器故障的直观分类和故障识别,在分析变压器振动机理的基础上,提出一种基于自组织特征映射(SOM)神经网络的变压器故障检测方法。首先利用集合经验模式分解(EEMD)方法提取变压器不同运行状态下振动信号的特征矢量,以其表示变压器运行状态,降低故障分类和识别时运算量。然后通过采用SOM网络自组织学习算法,不断学习样本的特征矢量确定故障隶属函数,从而可以快速有效地诊断变压器的故障类型。试验结果表明,该方法可实现对变压器正常状态、绕组轴向变形、绕组径向变形、铁芯故障4种状态分类,并对测试样本进行快速的模式识别。     

基于Linux工作站机群的网格服务机群实现

介绍了一种在Linux工作站机群上提供网格服务的实现方法．通过网络地址转换技术实现机群结点上的网格服务的访问，实现了一种负载平衡策略．整体上实现了类似于Web服务机群的网格服务机群，并进行了测试．     

用分组神经网络识别手写体数字

用神经网络识别手写体数字,大多数采用的是单个的神经网络结构.本文给出一个基于特征输入的手写体数字识别的分组神经网络结构,它是一个混合网络(Hybrid System).实验的结果表明,同只采用单个神经网络结构的方法相比,分组网络具有更好的识别结果.     

用分组神经网络识别手写体数字

用神经网络识别手与体数字，大多数采用的单个的神经网络结构。本文给出一个基于输入的手写体数字识别的分组神经网络结构，它是一个混合网络。实验的结果表明，同只采用单个神经网络结构的方法相比，分组网络具有更好的识别结果。     

用于三维物体识别的分组卷积神经网络

为寻找一些适合对视图进行分组的函数以对视图进行更合理的分组,本文主要对用于多视角三维物体识别的分组双池化卷积神经网络进行研究。构建了包括以卷积神经网络(convolutional neural network, CNN)为主的骨干网络、L2范数-ReLU激活函数(L2-ReLU,LR)分组机制和双池化融合模块的DPCNN网络,LR分组机制能够利用L2范数和ReLU激活函数性质,计算视图的区分度得分,增强分组模块的可解释性,更合理的对多视图进行分组,在组内和组间均使用池化加权进行特征融合,并在主流的ModelNet40数据集上进行实验。实验结果表明,与其他最先进和最有代表性的方法相比,在分类任务上,实例精度提升了0.1%～5.87%,分类精度提升了1.57%～7.57%;在检索任务上,平均精度均值提升了3.31%～13.19%,同时证明LR分组机制对检索任务的性能具有明显的提升,说明本文方法能够达到先进的性能。该研究为多视角3D物体识别领域提供了新的方法思路。     

基于改进的SOM入侵检测研究

在卫星上行链路空基对抗中,确定最佳干扰区域是保证干扰能量有效进入被干扰卫星接收机的关键因素。文章以球面坐标系建立了任意运行轨道卫星下的干扰空间关系,明确了最佳干扰区域的形状,求解了最佳干扰区域的长轴、短轴与中心点经纬度等参数,仿真分析了上述参数随干扰机平台与卫星平台高度的变化关系,验证了该模型的有效性。     

q-高斯的SOM神经网络在雷达抗干扰效能评估中的应用

为了扩大邻域函数的输出空间和增强神经元的邻域合作,提出基于q-高斯的SOM(self-organizing mapping)神经网络评估雷达抗干扰效能.采用q-高斯函数作为SOM神经网络的邻域函数,选取较大的非广延熵指数q扩大了q-高斯函数的输出空间,随着邻域的缩小,非广延熵指数q从大到小自适应地调整平衡了神经元的远邻...     

IDEA的随机群和随机置换

提出了对迭代分组密码IDEA的轮函数的两种强化方法———随机群和随机置换 .叙述并了证明了强化对IDEA的改善效果 ,并通过对代价的考虑说明强化是值得的 .     

基于图论和行为的深空航天器网络编队控制

针对深空中航天器网络编队的控制问题,采用基于图论和行为的混合方法得到一种控制器.在设计控制器的过程中,每个航天器被定义了两个相互竞争的行为,其中一个行为定义为该航天器跟随一个预先指定的路径,另一个行为定义为在实现第一个行为的同时达到期望的几何队形,根据这两个行为要求,定义了一个系统误差函数,并给出控制器结构.利用Lyapunov稳定性理论证明了航天器编队系统的误差函数在该控制器作用下的收敛性,数值仿真结果验证了控制策略的有效性.     

基于SOM算法的机器视觉颜色识别

针对机器人视觉系统光适应性差的弱点,利用SOM(Self-organizing Map)算法良好的聚类效果,把该算法应用于视觉系统的颜色分类中,使视觉系统具有学习能力去适应环境的变化.仿真结果表明,采用SOM算法的视觉系统颜色识别率有所提高.     

基于微机机群网络的边界元并行计算

基于微机机群网络,给出了边界元并行计算的若干主要算法,包括单域边界元法求解非对称方程组的并行算法、多子域边界元法求解线性代数方程组的并行算法。给出了边界元并行计算在边界元大规模工程分析中应用的实例。     

基于遗传算法和神经网络和因素分析

提出了一种基于遗传算法（Genetic ALgorithm）和通用神经网络（Generalized Regress Neural Network)的因素分析法－GA－GRNN因素分析法,从理论和实验两方面分析了方法的原理、可行性和实际效果。