导读:本文包含了自组织映射法论文开题报告文献综述及选题提纲参考文献，主要关键词:自组织映射,天气型,降水,长江中下游地区
自组织映射法论文文献综述
吴胜男,江志红[1]（2019）在《基于自组织映射的长江中下游夏季天气分型及其降水特征》一文中研究指出利用欧洲中心1979—2015年夏季6—8月ERA-Interim逐日再分析资料和国家气候中心CN05.1格点化降水观测数据集,引入基于自组织映射SOM(Self-Organizing Maps)方法进行长江中下游地区夏季海平面气压空间距平场的客观分型,得到该地区25种地面天气型及其系统演变特征,发现天气型的稳定、转移与天气系统强弱有关。高低压系统越强,天气型停滞频率越高,天气型越稳定;反之,天气型越不稳定。基于SOM天气型转移概率,发现叁条与局地降水联系的系统演变路径,其中1号路径暖空气势力强盛,副高北上,推动锋面北抬,产生江北降水型,多发生在7月;路径2反映冷空气势力强盛推动锋面南下的天气过程,产生沿江降水型,该天气型在6、7月均易发生;路径3表现为台风移动变化对长江下游江南地区降水的影响,为江南降水型,且集中在8月。通过引入SOM方法对逐日天气尺度环流进行分型,从气候态上捕捉与降水有关的天气系统的移动变化特征,体现SOM方法在模拟天气系统演变的优势。(本文来源于《气象科学》期刊2019年05期）
荣菡,甘露菁[2]（2019）在《基于近红外光谱的自组织映射神经网络快速鉴别牛乳与掺假乳》一文中研究指出基于近红外光谱结合偏最小二乘法(Partial least squares, PLS),与自组织映射(Self-organizing map, SOM)神经网络联用,构建鲜乳与掺假乳的模式识别模型。样品光谱经偏最小二乘法处理后,提取7个主成分,使用47个吸收峰数据输入网络。确定竞争层结构为[20×5],训练步数300步时,网络模型性能稳定,能够同时识别分别掺有乳清粉、粉末油脂,以及两者皆有的掺假乳。网络预测结果良好,对掺有粉末油脂的掺假乳识别准确率达100%;对掺有乳清粉的掺假乳识别准确率达97.5%;对同时掺有乳清粉和粉末油脂的掺假乳识别准确率达95%。该方法可为鲜乳和掺假乳的快速鉴别方面,为乳品质量评价提供了新思路。(本文来源于《食品工业》期刊2019年08期）
赵凯,侯玉强[3]（2019）在《基于自组织映射神经网络K-means聚类算法的风电场多机等值建模》一文中研究指出为研究高比例风电接入对电网安全稳定性的影响,提出了基于SOM(自组织映射神经网络) Kmeans聚类的风电场多机等值建模方法。首先选取风电场运行时的有功功率、无功功率、机端电压、输出电流、平均风速5种状态变量作为聚类算法的输入变量矩阵,通过基于SOM K-means聚类算法对变量矩阵进行处理,得到风电机组等值群数。然后用1台机组并联理想受控电流源的方法表征整个同群机组,得到风电机组的多机等值模型并进行仿真计算。最后通过与单机模型及详细模型在风速扰动和短路下的仿真曲线对比验证所提出的多机等值方法的有效性。(本文来源于《浙江电力》期刊2019年08期）
甘政涛,李恒阳,Sarah,J.Wolff,Jennifer,L.Bennett,Gregory,Hyatt[4]（2019）在《基于自组织映射的增材制造中数据驱动式微观组织和显微硬度设计》一文中研究指出为了在镍基高温合金的增材制造(AM)中设计微观组织和显微硬度,本研究提出了一种新的数据驱动方法,该方法结合了物理模型、实验测量和数据挖掘方法。该模拟基于计算热流体动力学(Ct FD)模型,可以获得热行为、凝固参数(如冷却速度)和凝固层的稀释率。根据计算出的热信息,可利用经过充分测试的力学模型估算枝晶臂间距和显微硬度。通过实验测定试样的微观结构和显微硬度,与模拟值进行比较验证。为了实现过程-组织-性能(PSP)关系的可视化,模拟及实验数据集被输入到数据挖掘模型——自组织映射(SOM)中。在多目标下,工艺参数的设计窗口可以从可视化映射中得到。这种被提出的方法可用于AM和其他数据密集型工艺过程。过程、组织和性能之间的数据驱动联系可能会有利于在线过程监控控制,从而获得理想的微观组织和力学性能。(本文来源于《Engineering》期刊2019年04期）
唐秋生,黄兰,敖谷昌[5]（2019）在《基于改进自组织映射神经网络的信号协调控制交叉口群划分方法》一文中研究指出针对以往研究在路段关联性判断和路网主要流向方面考虑不足,提出了一种基于改进自组织映射神经网络(self-orgnizing map,SOM)的信号协调控制交叉口群划分方法。首先,在离散性指标和阻滞性指标的基础上,考虑路网交通流运行的主路径特征引入主路径指标来表征路网交叉口之间路段关联性;其次,为弥补SOM输出结果可能大于实际需求且输出无标签的不足,把SOM中激活神经元权重作为层次聚类的输入,运用层次聚类改进SOM;并根据指标与路段关联性的关系设计关联性判断准则,据此界定交叉口之间路段关联性。最后,根据最大流最小割理论识别路网瓶颈,以瓶颈为基点向外划分交叉口群;并通过算例分析得出,该方法能够有效界定交叉口路段关联性和识别路网瓶颈,对信号协调控制配时优化具有重要基础作用。(本文来源于《科学技术与工程》期刊2019年20期）
邹大鹏[6]（2019）在《基于自组织映射与自适应谐振学习的协同神经网络模型研究》一文中研究指出人工智能在模式识别应用领域已经成为目前发展最为迅速的学科之一,作为一种自组织人工神经网络——协同神经网络在模型的可解释性及可视化上都具有独特的优势。为此本课题拟研究协同学理论并结合其他自组织理论,基于自组织映射网络及自适应谐振理论,提出一种基于自组织映射与自适应谐振学习的协同神经网络模型并研究模型在图片分类中的应用。本文的主要内容如下:(1)为了解决传统SNN结构单一固定,可拓展性差,结合自组织映射网络中的Kohonen层结构,提出了改进的协同神经网络模型。以Kohonen层作为网络中间层以及引入SOM的原型模式学习方法,解决了SNN模型结构固定且原型模式习得困难的问题。为了验证模型的有效性,结合MNIST图片数据集分类的具体例子,研究了网络的训练方式及运行收敛情况,对收敛后的网络以及网络得到的模式分类结果进行了分析,网络隐含层拓扑结构规模越大,网络就可以学习到越精细的原型模式子类。我们提出的改进模型在MNIST数据集上的结果可以以更小的网络规模与网络复杂度在识别正确率上达到目前先进机器学习分类器的同等水平。(2)在之前研究的基础上,针对SNN缺乏持续学习能力以及网络新类发现问题上,提出了一种基于自适应谐振的网络新类发现技术,同时研究了网络的层级生长模型,利用树形结构使网络可以在参数调控下自适应地生长为针对特定问题所需要的层级结构。所提出的层级模型相较之前模型,所需的时间复杂度更低,提高了网络的性能,我们在EMNIST手写字符数据集上进行了实验,由于采用局部寻优方式,提出的方法在数据集上取得了更好的效果,针对平衡数据集的分类准确率达到91.15%。(3)针对大样本复杂特征的分类问题,结合卷积神经网络,提出了一种CNN支持下的协同神经网络模型,针对图像卷积特征进行分类。首先用CNN对数据进行学习后,利用预训练的卷积层提取图像的卷积特征,在协同神经网络中对卷积特征进行训练与分类识别。通过在ImageNet数据集上对CNN支持下的协同神经网络模型进行实验验证,本文所提出的模型在数据集上的与其他模型相比识别率提高了5%。将新型协同神经网络作为分类器,研究智能化,自组织,自适应的图像分类模型,采用CNN进行特征优化与提取,可以很好地解决开放、动态、复杂问题,为人工智能的技术发展提供了新的思路与解决方案。(本文来源于《哈尔滨工业大学》期刊2019-06-01）
张雪艳[7]（2019）在《基于自组织映射的图像稀疏表示》一文中研究指出互联网快速发展的今天,图像信号数据量的激增给存储空间带来了巨大的挑战,研究更加高效的图像编码技术势在必行。近年来,基于字典训练的图像稀疏表示方法在图像编码领域取得了较好的进展。该方法根据图像自身特征选择合适的字典实现图像编码,改善了传统编码算法自适应差、灵活性低的缺点。但线性局限性、超参数确定以及稀疏度与最优解的相互限制是当前字典训练算法存在的主要问题,这些问题增加了图像稀疏表示技术的运算复杂度。本文的创新点有:1.研究基于自组织映射(Self-Organization Map,SOM)算法的模式字典构造,实现基于图像稀疏表示的图像编码。2.利用两种聚类算法构造初始模式字典。3.对SOM算法中的学习函数、邻域函数、失真测度标准等关键步骤进行改进。4.研究基于模式字典的信噪比(Signal Noise Ratio,SNR)可分级编码方案,实现基于模式字典的SNR可分级视频图像编码。本文的具体研究内容与工作主要包括:1.介绍图像稀疏表示的基本原理,对现有字典训练算法进行讨论,分析其优缺点。2.针对现有字典训练算法在实现图像编码时受到的线性约束限制,本文研究一种基于SOM的单目标非线性稀疏表示模型。3.通过分析影响模式字典性能的主要问题,对模式字典初始化算法及SOM算法关键步骤进行改进:(1)首先研究基于聚类的模式字典初始化算法,利用K-mediods算法以及频率模糊聚类算法(Frequency Fuzzy C-Means,F-FCM)对图像预处理,根据模式权重构造类别明显的初始化模式字典,削弱具有相似特征的模式相距较远的弊端;(2)其次改进传统SOM算法的学习函数以提高模式学习效率,并利用Manhattan距离权函数作为新的邻域函数,拓宽邻域搜索路径;(3)最后引入sigmoid核作为新的失真测度衡量标准,提高模式匹配精度。实验结果显示,基于改进后的SOM算法构造的模式字典能够较好的实现图像重建。4.研究基于模式字典的SNR可分级编码方案,选择静止图像与视频图像验证编码方案可行性。仿真实验表明,基于SOM算法构造的模式字典能够较稳定地对视频图像实现可分级编码。(本文来源于《桂林电子科技大学》期刊2019-06-01）
周成,魏红芹[8]（2019）在《专利价值评估与分类研究——基于自组织映射支持向量机》一文中研究指出【目的】充分利用专利数据,研究专利价值评估和分类问题。【方法】根据专利的价值指标,设计基于自组织映射(SOM)–支持向量机(SVM)的专利价值评估及分类模型,使用自组织映射方法确定专利的价值类别,采用随机森林(RF)对价值指标进行重要性排序,并结合包裹式特征选择方法对价值指标进行约简,以提高SVM的分类性能。【结果】通过SOM确定的价值标签能有效反映专利价值的高低;同时,约简后的指标由初始的14个减少到10个,分类准确率由76.28%提高到86.89%。【局限】对每个类别中的专利价值没有细化,专利价值指标存在进一步约减的可能。【结论】本文方法能够为专利研发活动提供支持,避免过度依赖专家判断。(本文来源于《数据分析与知识发现》期刊2019年05期）
孙菁,张章飞,刘振兴[9]（2019）在《自组织映射网络(SOM)在游戏用户分类中的应用》一文中研究指出对自组织映射神经网络(SOM,Self Orgnization Map)在游戏用户分类中的应用做了探讨。基于自组织映射神经网络,将游戏用户进行分类。提取用户特征如活跃天数,游戏盘数,输赢金币等,对这些原始特征进行中心化处理。指定聚类簇数,将处理后的特征向量输入到SOM进行聚类。分析聚类结果,统计每个类的统计特征,以验证算法。(本文来源于《力学与工程——数值计算和数据分析2019学术会议论文集》期刊2019-04-19）
张梦成,迟长春[10]（2019）在《基于自组织映射神经网络对低压断路器的故障诊断》一文中研究指出基于低压断路器在低压成套开关电器中的重要地位和易发故障的特点,以低压断路器为例,通过自组织映射神经网络算法对其工作状态进行诊断分类。该算法高度自组织和自学习能力适用于小样本训练,将其应用于低压断路器的故障诊断,以输出层处的输出神经元所处位置判断故障类型。通过仿真实验的验证分析,该方法可对低压断路器常见机械故障进行有效诊断。(本文来源于《上海电机学院学报》期刊2019年01期）
自组织映射法论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
基于近红外光谱结合偏最小二乘法(Partial least squares, PLS),与自组织映射(Self-organizing map, SOM)神经网络联用,构建鲜乳与掺假乳的模式识别模型。样品光谱经偏最小二乘法处理后,提取7个主成分,使用47个吸收峰数据输入网络。确定竞争层结构为[20×5],训练步数300步时,网络模型性能稳定,能够同时识别分别掺有乳清粉、粉末油脂,以及两者皆有的掺假乳。网络预测结果良好,对掺有粉末油脂的掺假乳识别准确率达100%;对掺有乳清粉的掺假乳识别准确率达97.5%;对同时掺有乳清粉和粉末油脂的掺假乳识别准确率达95%。该方法可为鲜乳和掺假乳的快速鉴别方面,为乳品质量评价提供了新思路。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
自组织映射法论文参考文献
[1].吴胜男,江志红.基于自组织映射的长江中下游夏季天气分型及其降水特征[J].气象科学.2019
[2].荣菡,甘露菁.基于近红外光谱的自组织映射神经网络快速鉴别牛乳与掺假乳[J].食品工业.2019
[3].赵凯,侯玉强.基于自组织映射神经网络K-means聚类算法的风电场多机等值建模[J].浙江电力.2019
[4].甘政涛,李恒阳,Sarah,J.Wolff,Jennifer,L.Bennett,Gregory,Hyatt.基于自组织映射的增材制造中数据驱动式微观组织和显微硬度设计[J].Engineering.2019
[5].唐秋生,黄兰,敖谷昌.基于改进自组织映射神经网络的信号协调控制交叉口群划分方法[J].科学技术与工程.2019
[6].邹大鹏.基于自组织映射与自适应谐振学习的协同神经网络模型研究[D].哈尔滨工业大学.2019
[7].张雪艳.基于自组织映射的图像稀疏表示[D].桂林电子科技大学.2019
[8].周成,魏红芹.专利价值评估与分类研究——基于自组织映射支持向量机[J].数据分析与知识发现.2019
[9].孙菁,张章飞,刘振兴.自组织映射网络(SOM)在游戏用户分类中的应用[C].力学与工程——数值计算和数据分析2019学术会议论文集.2019
[10].张梦成,迟长春.基于自组织映射神经网络对低压断路器的故障诊断[J].上海电机学院学报.2019