一种面向订单剩余完工时间预测的SOM-FWFCM特征选择算法#br#

准确的订单剩余完工时间预测有助于动态调整生产计划、优化制造过程,以满足订单产品按时交付的需求。订单剩余完工时间受到车间物料、设备、在制品等各类生产要素的综合影响,相关数据具有典型的大量、多维、高冗余的特点,有效的特征选择能够获得更高的预测精度。在构建候选特征集的基础上,提出了一种基于自组织映射（SOM）网络特征加权模糊C均值（FWFCM）的特征选择算法。通过构建SOM网络初始化FWFCM的聚类中心,减少后者对初始聚类中心的依赖;基于互信息计算特征权重,实现导向性特征聚类,根据聚类结果选择特征代表,构成高质量关键特征子集。以某机加工车间的生产数据为例,通过与其他4种特征选择算法的对比分析,验证了所提算法的有效性。     

基于统计分析和自组织神经网络的燃烧稳定性研究

以某电厂的监控信息系统(SIS)中的历史数据库作为分析平台,对常规光学火检信号所包含的丰富信息进行深层次挖掘。首先对火检信号数据进行必要的预处理,然后提取出火焰亮度平均值、火焰亮度方差、火焰亮度峰峰值和均匀度等4个特征量,分8种典型燃烧工况对火检强度信号作了大量统计分析,结果表明这些特征量能够反映不同工况下的火焰燃烧状态。将不同燃烧工况下的火焰信号特征值作为神经网络输入,利用该网络的自动聚类功能,分别将它们聚集到不同的区域内。经过验证,这种方法能对燃烧状态稳定性作出有效判断。     

基于EUNITE竞赛数据的中期电力负荷预测

应用自组织模糊神经网络(SOFNN)算法,基于欧洲智能技术网络(EUNITE)竞赛数据进行了中期电力负荷预测的应用研究。算法能够自动决定神经模型的结构并得出模型的参数,具有很好的实用价值。研究了训练数据选取和输入特征向量编码等实际应用问题,结果表明负荷预测精度高,优于竞赛的优胜者,之后提出了结合周平均负荷预测修正日负荷预测的方法,精度得到进一步地提高。     

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。     

基于SOM-RBF神经网络的COD软测量方法

污水处理是一个复杂的非线性过程,化学需氧量（chemical oxygen demand,COD）是评价污水处理效果的关键指标之一。COD的传统测量方法耗时长、成本高,基于传统神经网络的软测量方法提高了COD参数的测量速度但精度较差。针对这些问题,设计一种结合自组织特征映射 (self-organizing map, SOM)和径向基函数(radial basis function, RBF)神经网络的COD参数软测量方法。该方法利用SOM网络聚类数据样本,根据所得聚类结果确定RBF网络的隐层节点数及节点的数据中心,综合提高RBF网络的收敛速度和拟合精度。利用污水处理厂部分水样数据建立COD软测量模型,模型仿真和硬件在线测试结果表明,相对于传统的BP、RBF等网络,基于SOM-RBF神经网络的COD软测量方法测量时间短、预测精度较高,具有较为广阔的应用前景。     

用约束型自组织特征映射网络实现多井约束插值

提出了一种用神经网络实现多井约束插值的新方法。作为传统的自组织特征映射网络(Self Organizing Featuere Map，SOFM)的一种推广形式，提出的约束型自组织特征映射(Constraint Self Organizing Featuere Map，CSOFM)对某些特定的输出节点及输出节点的排列方式加以约束，从而既保留了SOFM的长处(如自组织和拓扑映射)，又克服其在处理多井的约束插值问题时存在的一些缺点(如网络规模过大，训练时间过长和归位问题)。对实际资料的处理表明，其方法能取得满意的结果。     

红外光谱法评价内燃机油高温清净性的研究

研究了内燃机油的红外光谱信息与其高温清净性能的相关性。根据内燃机油的红外光谱信息，采用量化自组织神经网络数学模型预测内燃机油的高温清净性能，在此基础上，建立了红外光谱快速检测内燃机油高温清净性能的方法。结果表明，预测结果的准确性、误差都能够满足对内燃机油高温清净性能测试的要求，红外光谱分析为快速检测内燃机油的高温清净性能提供了又一途径。     

基于自组织的智能诊断技术研究

通过分析智能诊断过程的内在属性,结合国内外的相关研究状况,提出了研究基于自组织的智能诊断技术的重要意义,并指出其优越性.详细阐述了智能诊断的自组织规划过程,结合多代理技术的自身特点及优越性.提出将多代理技术应用于智能诊断过程中.深入研究了基于多代理的自组织过程实现策略,采用基于响应时间、服务质量、服务成本、安全性目标准则的资源优化调度算法,解决了自组织过程规划中的资源管理和协调等关键问题,并通过实例验证了算法的正确性.     

基于局部支撑姿态的逆运动学求解

逆运动学(Inverse Kinematics)是虚拟角色运动控制的一种基本方法,它根据用户指定肢体末端的位置计算出虚拟角色各个关节的旋转.传统算法求解时没有考虑人体姿态的运动规律,因此其结果不能完全令人满意.文中提出了一种利用捕获的运动数据辅助求解逆运动学问题的新方法.通过自组织映射(Self-Organizing Map,SOM)对姿态数据学习和聚类,获得一组刻画人体姿态空间的支撑姿态,然后通过对问题所在局部空间的支撑姿态加权优化来求解逆运动学问题.该方法克服了传统方法结果不自然、计算效率较低的缺点.实验结果也表明了该文方法的有效性.     

一种基于自组织神经网络的语音识别系统

建立了一种基于自组织神经网络的语音识别系统。对语音信号进行了预处理,提取了语音信号的线性预测系数、线性预测倒谱系数和Mel倒谱特征系数,建立了基于自组织神经网络的识别判决模型。深入分析和改进了自组织神经网络的分类聚类能力,通过加强训练和设定阈值函数的方法,有效地确定了边界神经元的归属,划分出了合理的输出模式类。验证了自组织神经网络适合于处理孤立词语音识别,并具有快速性和结构简单等特征。MATLAB仿真实验表明,语音识别率达到96%。