ART-2神经网络的研究与改进

ART—2神经网络可以很好地应用于模式识别中的聚类问题,但是由于其算法结构中固有的归一化环节,在处理数据过程中丢失了非常重要的幅度信息。在分析这一不足的基础上,提出两种改进算法,同时给出了相应的实验结果。     

基于FKCNN的模拟电路故障诊断方法

研究一种将模糊c均值聚类算法与神经网络相结合的模糊聚类神经网络(FKCNN),在分析该网络的结构和学习方法的基础上,对FKCNN的学习算法进行了一定的改进,并将改进后的模糊聚类神经网络应用于模拟电路的故障诊断,探讨了实现方法,设计了算法步骤,并举例对算法有效性进行了验证.结果表明,运用模糊聚类神经网络能够实现对具有状态可测性的模拟电路的故障诊断.     

一种基于ART2神经网络的算法改进

针对传统的ART2神经网络中对于主观设置的警戒参数以及识别分类过程中产生模式漂移的问题,提出基于改进算法的ART2神经网络模型,用于解决分析模式识别问题。通过自组织,加权,迭代等过程推导合理的警戒参数用于聚类运算,通过对ART2神经网络的权值训练方面进行修正,减缓学习速率,降低模式漂移速度,近一步对聚类对象进行合理分类。实验结果证明,该方法是可行的和有效的。     

基于ART神经网络的FCM聚类多目标跟踪方法

为解决模糊C均值（FCM）算法依赖类中心的初始化而运行时间过长的问题,提出了一种改进方法：该算法首先利用自组织谐振理论（ART）神经网络算法自动聚类的优点,对数据集进行＂粗聚类＂得到与实际类中心近似的初始类中心及聚类数目,再利用FCM算法对＂粗聚类＂结果进行聚类并得到最终精确的聚类结果。通过实验表明,改进算法结合了两种算法分类的特长,具有比FCM算法更高的聚类效率和更好的聚类质量;同时,算法的跟踪精度及运算速度也得到大大提高。     

基于凝聚型层次聚类的PBFT优化共识机制

面对粮食联盟链网络中的大量共识节点,由于传统实用拜占庭容错(practical Byzantine fault tolerance,PBFT)共识算法效率低下,导致通信能耗过高,从而极大地增加信息泄露和数据造假的风险。针对上述难题,本文提出了一种基于凝聚型层次聚类(agglomerative hierarchical clustering,AHC)的PBFT优化共识算法。首先,利用AHC算法对所有网络共识节点进行目标划分和聚类;其次,使所有簇并行发生PBFT共识;最后,通过簇间主节点共识达成消息一致。实验结果表明,该改进算法能够有效降低能量开销,并提高共识效率和吞吐量。     

基于词聚类特征的统计中文组块分析模型

 提出了一种基于信息熵的层次词聚类算法,并将该算法产生的词簇作为特征应用到中文组块分析模型中.词聚类算法基于信息熵的理论,利用中文组块语料库中的词及其组块标记作为基本信息,采用二元层次聚类的方法形成具有一定句法功能的词簇.在聚类过程中,设计了优化算法节省聚类时间.用词簇特征代替传统的词性特征应用到组块分析模型中,并引入名实体和仿词识别模块,在此基础上构建了基于最大熵马尔科夫模型的中文组块分析系统.实验表明,本文的算法提升了聚类效率,产生的词簇特征有效地改进了中文组块分析系统的性能.     

基于ART的智能BIT测试技术研究

根据电子设备测试及维修的需要,同时为解决传统BIT虚警率高等缺陷,提出智能BIT测试方法。在介绍智能BIT的基本实现手段的基础上,重点分析ART网络的网络模型及工作原理,ART网络根据数据集自适应聚类实现模式识别,相对于传统人工神经网络而言,其收敛速度快,精度较高,自适应诊断能力强,解决了采用传统神经网络测试分类误差大等问题,最后提出了一种基于ART的BIT系统无监督故障诊断方法,使被测系统具有更高的故障诊断能力。     

一种改进的遗传算法在聚类分析中的应用

基于层次的聚类方法是聚类分析算法的基本方法之一,但是由于其自身的缺点（如：合并后不能撤消等）往往会导致聚类质量不高。文中通过将一种改进的遗传算法用于聚类分析中,实现了层次聚类,并通过改进遗传算法参数,以提高算法的性能,这样既改善了基本遗传算法收敛慢、易陷入局部最优解的问题,同时又加快了聚类速度,减小误差。     

一种新的快速混合聚类算法

在汲取了传统划分、层次聚类方法优点的基础上,结合图搜索技术,提出了一种新的快速混合聚类算法.该算法主要分为三个步骤:首先将整个数据集"压碎",生成固定数量的原子级聚类;然后处理孤立点;最后采用图搜索技术生成聚类.该算法只需一个参数,能识别任意形状、大小的聚类,时间复杂度在最坏情况下为nn~(1/2).实验表明该算法是有效的.     

基于熵的RBF神经网络在软测量中的应用

为了更好地确定RBF神经网络中心向量,并且使得最终的RBF神经网络结构可以进一步调整。提出了一种使用熵聚类的算法来首先确定RBF神经网络隐节点的个数及其初始值,实现初始化的基础上使用常规算法调整RBF神经网络的中心和训练宽度,最后使用基于互信息的RBF神经网络修剪算法调整网络结构。并将上述算法应用于COD软测量问题中,仿真实验结果表明：改进的算法与常规的算法相比,提高了训练速度和逼近精度。