一种基于自组织过程神经网络的动态样本半监督学习算法

针对时变信号模式分类和未标记样本信息的有效利用问题,提出了一种基于自组织过程神经网络的动态样本半监督学习算法。根据获得的已标记和未标记的过程函数样本信号,分别构建基于竞争学习规则和有教师示教方法的自组织过程神经网络模型,利用该网络的自组织特性,实现动态样本的分类标识。文中分析了算法的信息处理机制,给出了具体的实现步骤。以油田开发水淹状况判别为例,实验结果验证了方法的有效性。     

一种基于自组织过程神经网络的动态样本半监督学习算法

针对时变信号模式分类和未标记样本信息的有效利用问题,提出了一种基于自组织过程神经网络的动态样本半监督学习算法。根据获得的已标记和未标记的过程函数样本信号,分别构建基于竞争学习规则和有教师示教方法的自组织过程神经网络模型,利用该网络的自组织特性,实现动态样本的分类标识。文中分析了算法的信息处理机制,给出了具体的实现步骤。以油田开发水淹状况判别为例,实验结果验证了方法的有效性。     

小波变换的地下含水层分层法

根据电测井曲线可以了解地层构造.为了找出含水砂层,基于人工分层的原理,利用小波变换过零点理论对电测井曲线进行计算机自动分层,将地下土层分为含水层和隔水层.介绍小波变换原理,给出用Matlab软件实现测井曲线计算机自动分层的方法.实验结果表明,用该方法研究实测井信号,结果与人工方法基本一敛,证明了小波变换用于测井信号分析与处理的有效性.论文工作对合理利用地下水资源有非常重要的意义.     

基于自组织神经网络的非平稳信号盲分离

针对具有二阶非平稳特性的源信号盲分离问题,提出一种基于自组织神经网络的在线盲源分离新算法.利用自组织神经网络构建一种多层盲分离网络模型,以网络输出层信号的相关性为代价函数,采用自然梯度原理对网络参数进行学习,最小化该代价函数从而实现信号分离.将多层自组织神经网络和自然梯度原理相结合,提高了分离算法的灵活性和性能.最后将该算法与其他算法进行了仿真对比,仿真结果表明该算法具有较好的收敛精度及稳定性.     

基于改进的粒子群-小波神经网络的固井质量智能评价

为了克服传统的相对幅度法在同井质量评价中识别率低下的缺点,提出了一种基于改进粒子群一小波神经网络的固井质量智能评价方法.首先在应用李亚普诺夫理论分析得到单个粒子收敛条件的基础上,提出一种粒子群改进算法,接着利用该算法来优化小波神经网络权值.应用Iris标准分类数据集对本文算法进行测试,结果表明该改进算法与BP-WNN、PSO-WNN等经典算法相比,网络不仅易于全局收敛,而且迭代次数、函数逼近误差、分类精度等性能特得到提高.最后用训练好的改进粒子群-小波神经网络对某实验井声波固井质量测井实测数据进行分类识别.结果分析表明,该方法极大提高了水泥胶结情况的识别能力,是一种高效、实用的固井质量评价方法.     

叠加去噪自动编码器结合深度神经网络的心电图信号分类方法

针对现有心电图信号分类方法精度较低,模型训练收敛速度较慢的缺点,提出一种基于叠加去噪自动编码器和深度神经网络方法的新型分类方法。该方法采用无监督学习方式,利用带有稀疏约束的叠加去噪自动编码器,实现心电图原始数据的特征学习。基于深度神经网络对信号进行分类,同时利用监督式自主学习微调方法对神经网络权重进行适时调整,从而保证信号分类的精度和质量。利用三个机构的经典数据库对该方法进行实验研究,并与目前两种最新的方法进行对比。实验结果证明,该方法在专家标记样本较少的情况下,仍能明显提高心电图数据分类的准确率,同时加快训练时的收敛速度。     

基于自组织特征映射神经网络的土壤分览

人工神经网络中的自组织特征映射网络具有较强的聚类功能,将自组织特征映射神经网络模型应用于土壤分类,提取影响土壤分类的七个理化因子,根据19个土壤样本建立神经网络,最后验证10个土壤样本的分类结果是否正确。分析结果表明,这种方法是十分有效和方便的。同时,本文对分类结果进行分析和讨论,指出利用该模型强大的学习功能及很好的自适应性、自组织性和鲁棒性可以为土壤分类提供一种快速、准确的信息处理手段。     

基于自组织特征映射神经网络的土壤分类

人工神经网络中的自组织特征映射网络具有较强的聚类功能,将自组织特征映射神经网络模型应用于土壤分类,提取影响土壤分类的七个理化因子,根据19个土壤样本建立神经网络,最后验证10个土壤样本的分类结果是否正确。分析结果表明,这种方法是十分有效和方便的。同时,本文对分类结果进行分析和讨论,指出利用该模型强大的学习功功能及很好的自适应性、自组织性和鲁棒性可以为土壤分类提供一种快速、准确的信息处理手段。     

自组织竞争网络在测井资料岩性识别中的应用

利用自组织神经网络自组织自学习的学习能力的特点,在分析影响岩性识别因子的基础上,建立了基于MATLAB的自组织竞争网络模型.通过比较基本竞争型网络和自组织特征映射网络两种网络结构实现岩性分类.实验结果表明,利用自组织竞争网络模型对测井资料岩性识别是可行的,正确率高,为岩性识别的研究提供了新方法.     

基于混合核函数的自组织神经网络遥感图像分类

自组织神经网络SOM作为一种无监督学习的竞争式网络,已经得到了广泛的应用,它通过对输入信号的竞争学习,将样本划为不同的类别,但其分类效果常很难令人满意.提出了一种基于混合核函数的SOM神经网络改进方法,并和传统的SOM网络进行了对比,Iris数据和Wine数据的分类实验表明,该方法可以明显改进SOM网络的分类效果.然后对某地Landsat卫星遥感图像数据进行分类实验,实验结果表明,与传统的SOM网络、基于多项式核的SOM网络以及基于RBF核的SOM网络相比较,基于混合核函数的SOM神经网络方法的分类效果有较明显的提高.