导读:本文包含了征映射神经网络论文开题报告文献综述及选题提纲参考文献，主要关键词:近红外光谱,自组织映射神经网络,鲜乳,掺假乳
征映射神经网络论文文献综述
荣菡,甘露菁[1]（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[2]（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）
唐秋生,黄兰,敖谷昌[3]（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）
张梦成,迟长春[4]（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）
吴香华,蒙芳秀,熊萍萍,于华英,燕妮[5]（2018）在《基于自组织映射神经网络的吉林省春夏期降水统计模拟研究》一文中研究指出利用1997—2015年吉林省春夏期(4—7月)逐日气象站地面观测资料,以气温、气压、相对湿度、水汽压、风速为协变量,建立各站点逐日降水量的基于自组织映射神经网络(Self-Organizing Maps,SOM)的统计预测模型;分析吉林省春夏期的主要天气模态,研究逐日降水和天气模态之间的关系,并基于此关系提出逐日降水量的蒙特卡罗模拟方法。结果表明:SOM对天气模态的分型质量较好,邻近天气模态的累积概率分布较相似,距离较远的天气模态累计概率分布差异较大。各天气模态下无降水的概率与日降水量区间宽度的相关系数为-0. 94,显着性水平小于0. 01。基于降水量累积概率分布,20种天气模态被划分成4类,并与降水易发程度和逐日降水量完全对应。在此基础上,对吉林省24个站点逐日降水量进行蒙特卡罗模拟,并进行预测性能分析。平均绝对误差(Mean Absolute Error,MAE)和均方根误差(Root Mean Square Error,RM SE)的中位数分别为3. 12 mm和6. 13 mm,SBrier和Ssig分别为0. 06和0. 51,站点的逐日降水量预测性能整体较好。MAE和RMSE分布呈现东南大西北小,去除降水自然变异差异的影响,所有站点的误差都较小; SBrier和Ssig没有明显的空间分布特征。(本文来源于《大气科学学报》期刊2018年06期）
沈力华[6]（2018）在《基于随机映射神经网络的非线性时间序列建模预测研究》一文中研究指出非线性时间序列建模预测是复杂系统数据驱动控制的一个重要研究方向,已被广泛应用于工业系统故障分析与预测、工业过程控制、金融市场数据预测、河流流量和降雨量预测、温度预测以及剩余使用寿命预测等多个领域。通过对复杂系统进行分析,建立相应的时间序列预测模型,能够使人们更深入的理解系统内部特性,并能够更好的实现系统控制与决策。随机映射神经网络作为神经网络的一种,具有更快的收敛速度,能够得到全局最优解,学习简便等优点,已在非线性时间序列预测中得到了较好的预测性能并取得了丰硕的成果。因此,本文针对非线性时间序列建模预测问题展开研究,对两种随机映射神经网络进行改进,优化网络结构,提高预测模型鲁棒性,建立优化组合模型。最后,将改进的随机映射神经网络应用于数控机床进给系统时间序列预测中。论文的创新性研究主要包括以下四方面:提出修正的正则化极端学习机预测模型框架。针对极端学习机预测时间序列时隐层节点数不易选择,时间序列经极端学习机进行高维空间映射后容易产生冗余信息和过拟合的问题,本文对极端学习机结构展开研究,通过对基于_1L范数、_1L和_2L混合范数的正则化方法进行修正和优化,求取极端学习机输出权值的稀疏解,在提高模型预测精度的同时优化网络结构,从而得到一种修正的正则化极端学习机预测模型框架,基于该框架提出四种修正的正则化极端学习机预测模型,所提模型在继承_1L范数变量选择能力的基础之上,有效避免了基于_1L范数正则化方法有偏估计导致模型预测精度低的问题,在得到模型稀疏解优化网络结构的基础之上提高了模型预测精度。提出鲁棒变分回声状态网络预测方法。针对现实复杂系统中,数据往往受多种噪声和异常点的影响,分析不同的概率分布对异常点的敏感性,最终选取高斯混合分布作为模型输出似然函数,由于边缘似然函数无法解析处理,因此,基于变分推理方法对模型进行求解,获得随机映射神经网络输出权值,提出一种对噪声和异常点具有鲁棒性的回声状态网络非线性时间序列预测模型,所提模型不但具有较强的非线性逼近能力,而且对异常点和噪声具有较强的鲁棒性。提出两种多随机映射神经网络组合优化预测方法。针对单一随机映射神经网络对数据信息表达不充分,基于Adaboost.RT提出一种改进的多核极端学习机预测模型。另外,基于双稀疏相关向量机,对相关回声状态网络的组合权值及由相关样本得到的基函数的权值同时进行学习,得到一种优化的多稀疏回声状态网络组合模型,该模型不需要采用交叉验证的方式确定回声状态网络的谱半径和稀疏度,只需确定相应的区间。预测结果表明,所提两种组合优化模型具有更好的适应性和更高的预测精度。提出基于随机映射神经网络的数控机床进给系统时间序列预测模型。将第二、叁、四章所提的几种模型和思想应用于数控机床进给系统时间序列的预测中,从模型结构、训练方法和多模型组合优化叁个方面提升模型预测数控机床进给系统时间序列的精度,实现进给系统速度响应时间序列的有效预测,为后续误差补偿奠定基础。具体包括以下叁方面内容:首先,提出基于修正的正则化极端学习的进给系统时间序列预测模型,优化网络结构,得到输出权值的稀疏解,从而提高模型的泛化性能;其次,提出基于鲁棒回声状态网络的进给系统时间序列预测模型,提高了预测模型的抗干扰能力;最终,提出基于PSO-RVESN的进给系统时间序列预测模型,进一步提升了模型预测进给系统时间序列的预测精度。(本文来源于《华中科技大学》期刊2018-11-01）
李萍[7]（2018）在《自组织特征映射神经网络在土壤分类中的应用》一文中研究指出自组织特征映射网络(SOM网络)是一种具有聚类功能的网络,为了进一步对土壤进行分类,特意将自组织特征映射神经网络应用于其中。围绕着自组织特征映射神经网络在土壤分类中的应用展开,将土壤的7个理化指标表示其性状并作为输入向量,对输入向量进行仿真并训练。根据自组织特征映射神经网络的基本原理和算法,对中国某地区的10个土壤样本进行分类,并结合相关文献的研究成果进行对比,以MATLAB作为测试环境,运用神经网络训练和仿真土壤样本数据,结果表明SOM网络可以为土壤分类提供一种新的思路和方法,对土壤分类的效果较好。(本文来源于《忻州师范学院学报》期刊2018年05期）
李梅,江志红,周璞[8]（2018）在《基于自组织映射神经网络(SOM)降尺度方法的江淮流域夏季日降水的未来预估及其成因分析》一文中研究指出本文利用自组织映射神经网络(Self-organized map, SOM)方法对江淮流域(27.5°-32°N,110°E以东)夏季日降水进行了统计降尺度研究,发现该方法能显着提高对日降水概率分布及其空间分布的模拟能力,同时增强各模式对降水模拟的一致性:SOM降尺度后,各台站模拟与观测的日降水概率分布曲线重合率达到90%以上,曲线尾部特征的改善尤为明显,即极端降水的模拟能力较降尺度前有所提高;降尺度后各降水指数模拟与观测的空间相关系数均达到0.9,标准差之比接近1.0,基本能够再现观测降水的空间分布特征,同时各模式模拟结果的离散度有所减小。在此基础上进行了RCP4.5情景下的预估,结果表明:21世纪,江淮流域大部分台站极端降水事件发生概率增加,末期(2081-2100年)增幅(相对于1986-2005年)最大,达到10%以上;总降水量和极端降水指数增加区域存在显着的向长江下游(116°E以东)扩展的趋势,末期增幅接近30%,形成"长江中游(110°E-116°E)降水减少,下游增加"的形势,降水极端化趋势显着;全球平均温度相对于前工业化时期升高2°C时,长江下游降水的相对变化率较1.5°C时高出5%,中游变化不大,"中游降水减少,下游增加"的形势将随升温加剧。进一步对降水变化成因的分析发现,江淮流域未来大值降水的增加主要与湿天气型频率的增加有关,相关系数达到0.91,而天气型的种类基本没有变化。(本文来源于《第35届中国气象学会年会 S6 应对气候变化、低碳发展与生态文明建设》期刊2018-10-24）
贾声声,彭敦陆[9]（2018）在《CNN支持下的领域文本自组织映射神经网络聚类算法》一文中研究指出文本中蕴含的信息具有重要的应用价值.如何将文本进行聚类挖掘有价值的信息成为自然语言研究领域当前的热点.针对文本信息的层次聚类问题,提出基于动态词窗口的卷积神经网络(Convolutional Neural Network,CNN)文本特征提取算法和基于森林结构的自组织映射神经网络聚类算法(Forest Growing Self-Organizing Maps,FGSOM).首先,结合领域词性模板和特征模式对CNN特征提取算法进行改进,实现文本特征向量的自动提取.然后,将文本特征向量作为FGSOM算法的输入层,结合生长阈值和局部最优策略,实现文本分层聚类.通过将所提算法应用于法律案件文本聚类,通过与现有同类算法进行比较表明,所提算法具有较好计算效果.(本文来源于《小型微型计算机系统》期刊2018年06期）
王淑芬,王卫[10]（2018）在《基于自组织特征映射神经网络技术的多维土壤数据分析》一文中研究指出自组织特征映射神经网络技术(self-organizing map,SOM)因其强大的非线性拟合能力和可视化特点在土壤多维数据分析中具有独特的优势。将SOM技术应用于表层土壤多维数据分析,进而开展人工神经网络技术(artificial neural network,ANN)在环境领域的应用研究。以乌苏-奎屯-独山子-沙湾地区为研究区域,共采集199个表层土壤样本,分析得到22个土壤属性。利用SOM技术开展了土壤聚类分析、采样点优化、土壤属性相关性等研究。结果表明:研究区域土壤属性变异系数较高,土壤受人类活动影响明显,除pH外,其余21个土壤属性数据分布服从正态分布或对数正态分布。依据土壤内在的相关性及土壤属性的相似性,将土壤样本分为42组,综合考虑分组情况和采样点的空间分布特点,将土壤属性显着相似且空间相邻的24个采样点进行优化处理。土壤属性之间呈现一定的相关性,如OM与pH呈负相关性,而与ωH_2O呈正相关性;OM与As、Cr、Mn、Cu、Zn、Pb、Ni、Al、Co、Fe、Mo、Ti呈正相关性,但与K、Na、Sb呈负相关性;Cr、Mn、Cu、Zn、Co、Fe之间呈正相关性;Cd和Ni呈正相关性;Al和Ti具有较高的正相关性;而V、Hg、Pb、Sb相互间无显着相关性。(本文来源于《中国农业科技导报》期刊2018年04期）
征映射神经网络论文开题报告
（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：
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。
（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。
征映射神经网络论文参考文献
[1].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
[2].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
[3].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
[4].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
[5].吴香华,蒙芳秀,熊萍萍,于华英,燕妮.基于自组织映射神经网络的吉林省春夏期降水统计模拟研究[J].大气科学学报.2018
[6].沈力华.基于随机映射神经网络的非线性时间序列建模预测研究[D].华中科技大学.2018
[7].李萍.自组织特征映射神经网络在土壤分类中的应用[J].忻州师范学院学报.2018
[8].李梅,江志红,周璞.基于自组织映射神经网络(SOM)降尺度方法的江淮流域夏季日降水的未来预估及其成因分析[C].第35届中国气象学会年会S6应对气候变化、低碳发展与生态文明建设.2018
[9].贾声声,彭敦陆.CNN支持下的领域文本自组织映射神经网络聚类算法[J].小型微型计算机系统.2018
[10].王淑芬,王卫.基于自组织特征映射神经网络技术的多维土壤数据分析[J].中国农业科技导报.2018