基于Matlab的自组织神经网络在油气层识别中的应用研究

介绍了自组织竞争网络和自组织影射网络的原理，对自组织竞争网络和自组织影射网络的优缺点进行了比较。采用大庆的油气层数据建立网络模型，对网络结构的参数进行了优化并对输入样本进行了聚类分析。数据分析表明自组织竞争网络和自组织影射网络都有较好的聚类结果，自组织竞争网络较自组织影射网络方法识别出的结果更客观可靠，是油气层识别的一种有效方法。     

基于自组织神经网络在油气分层中的研究

测井曲线的分层研究是勘探和开发油气资源的重要手段,也是认识油气层的地质面貌,以及剖析油气藏量内在规律的一种有力武器。该文介绍了一种基于自组织神经网络对测井曲线进行聚类自动分层的识别方法,它是一种通过网络自身的调节,从而对输入数据进行聚类的方法。该文采用某地区的油气层数据来建立网络模型,首先采用了插值的方法,消除该测井数据随机干扰带来的噪声,同时保留了数据的完整性和代表性;然后通过利用自组织神经网络算法,对该数据自动进行四层的识别分类;最后结合人工分层的结果进行验证,以保证利用自组织神经网络识别的结果更加客观和可靠。该方法的可操作性强,原理简单易于实现,说明该算法对研究测井曲线具备一定的有效性和可行性。     

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.     

神经网络技术在工程图标注文字识别中的研究

采用神经网络中的Kohonen自组织网络对工程图标注文字进行识别。讨论了Kohonen自组织网络的概念、原理、算法 ,及其用于对土木工程图纸标注文字识别的工作原理、算法实现和学习训练过程中的若干问题。     

改进自组织映射神经网络在指纹识别中的应用

改进自组织映射神经网络方法是将常规自组织映射神经网络方法结合确定性水平,对网络的输入矢量进行预处理。通过实验比较了这种改进的自组织映射神经网络识别方法与常规的自组织映射神经网络识别方法的识别效果,在识别性能上有了很大的提高。     

基于SOFM神经网络的数字模式识别方法

以一维空间自组织特征映射网络为识别模型，采用两级识别的方法，提出了一种基于自组织网络的数字识别方法，仿真结果表明此方法具有识别率高、识别速度快的优点，具有广阔的应用前景。     

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.     

基于SOFM神经网络的数字模式识别方法

以一维空间自组织特征映射网络为识别模型,采用两级识别的方法,提出了一种基于自组织网络的数字识别方法,仿真结果表明此方法具有识别率高、识别速度快的优点,具有广阔的应用前景.     

SOM神经网络改进及在遥感图像分类中的应用*

针对自组织特征神经网络自身算法的特点和缺陷,采用遗传算法对网络进行改进,形成了基于遗传算法的自组织特征神经网络,并从输入向量、竞争层神经元数量设置和初始权向量设定三方面,结合遥感图像的特性对自组织特征映射网络遥感图像分类的方法进行了改进。将该方法应用于择西安地区的ETM+卫星遥感图像进行分类试验,结果表明,基于遗传算法的自组织特征映射网络使得遥感图像的分类精度更高,且该算法实现简单,具有一定的工程应用价值。     

基于自组织竞争神经网络技术的模糊聚类研究

本文对常规模糊聚类方法进行了深入的研究，提出了一种基于自组织竞争神经网络技术的模糊聚类方法。仿真结果证明，这种方法可以有效地进行模糊聚类。     

一种自组织小波神经网络定子电阻估计器

定子电阻的准确估计是改善直接转矩控制低速性能的关键技术.为了提高定子电阻的在线估计精度和速度,本文将小波分析、自组织算法和神经网络技术相结合,提出了一种自组织小波神经网络定子电阻估计器.该网络继承了小波分析优异的局部特性和神经网络的自学习能力,具有较高的估计精度.并采用自组织算法对小波元的数量进行了离线优化,大大简化了网络结构,提高了在线估计的实时性.     

基于自组织神经网络的煤矿安全预警系统

结合煤矿安全生产的具体要求,将自组织神经网络原理运用于煤矿安全预警问题中,建立了多指标综合评价的安全预警系统网络模型,并以实测数据为例对所建模型进行了训练和检验,研究结果表明,该网络性能良好、预测精度高且简便易行,是安全综合评价的一种有效方法.     

一种基于肌电信号的动作起始时刻识别方法

提出一种提取尺侧腕屈肌表面肌电信号的短时统计特性，并将此特性预处理后作为自组织人工神经网络输入来判断运动状态，进而实现实时识别人体特定动作起始时刻的方法。用这种方法识别特定动作的运动起始时刻，省去了动作电位在肌纤维内传递以及肌纤维内部Ca^2＋和ATP化学反应的时间，大大提高了人-计算机接口的时间效率。最后分析了特定动作误判出现的原因和解决办法。实验结果证明本文方法速度快、可靠性高，可在军事和竞技体育等领域得到广泛应用。     

基于自组织竞争优化结构的混沌系统建模

针对混沌系统建模引入模糊神经网络模型时隶属函数不具有自适应性，系统模糊规则数的确定有一定的人为主观性的问题，本文对模型参数进行遗传退火算法优化，然后利用自组织竞争网络优化模型结构，使模型具有最佳结构即最简单的模糊规则数；再对有最佳结构的模型进行参数优化，得到具有最佳结构和参数的建模模型。以一维的Logistic系统、二维的Henon系统和Mackey-Glass混沌时间序列为例进行仿真分析，结果表明模型能够拟合原混沌系统，精度良好而且结构最简。     

智能系统中获取模糊规则的神经网络方法

智能系统中一类重要的定性知识要用模糊集理论中的模糊语言进行描述。本文在研究模糊定性知识形式描述和自组织竞争神经网络特性的基础上，提出了一种从一组具有数值特性的训练样本集中获取隶属函数和模糊规则的神经网络模型和方法。通过对Ｉｒｉｓ数据集的应用实验表明了该方法能对这一类数据进行有效的描述。     

改进SOM神经网络在电力调度故障诊断中的应用

为了解决电力调度自动化系统中故障、安全监测不到位,尤其是缺少精确定位和关联分析等问题,利用改进的SOM神经网络提出了一种故障诊断模型.首先,在分析调度系统历史数据基础上,提取故障的特征向量,建立学习样本.接着通过算法训练输入和输出间的内在联系,供后续测试验证使用.最后,在已具备数据内在映射关系的网络中,测试待检测数据,验证其故障诊断的效果.最后的结果表明,此模型对不同类型故障识别和诊断能力较强,是一种行之有效的人工智能诊断方法.     

基于自组织神经网络的燃烧诊断研究

自组织神经网络原理被尝试应用到燃烧诊断系统中，网络的输入是从稳定和非稳定燃烧工况下获取的火焰辐射信号的频谱估计值。经过自组织训练后，网络对不同燃烧工况下的输入具有明显不同的输出，通过验证证实了这种方法能检测到的燃烧火焰信号进行有效的处理，从而获取燃烧状态稳定与否的信息。     

粗神经网络及其在图像融合中的应用研究

粗集理论能够优选数据,但容错性与推广能力比较弱;而神经网络具有较强的自组织、容错以及推理能力,却不能优选数据。把这两种理论结合起来,使之发挥各自优势,然后把它们用于图像融合之中,并提出了一种基于粗神经网络的图像融合方法,该方法使用遗传算法作为神经网络的训练算法。通过仿真实验表明,在对融合来自同一景物的多幅带噪声图像的应用中,该方法取得了很好的效果。     

基于Type-2 FNN数据融合的双进双出磨煤机料位检测

针对双进双出磨煤机料位准确检测的难题,提出一种基于二型模糊神经网络（Type-2 FNN）数据融合的双进双出磨煤机料位检测方法．首先将多传感器采集的变量参数数据按照二型模糊规则进行模糊化处理;然后构造神经网络进行数据融合,所得融合结果即为检测的料位值．该方法具有较好的自组织、自学习、并行分别处理能力,保证了检测结果具有较高的准确性．仿真实验表明,该方法可有效弥补单—测量方法的不足,实现料位更为准确的测量．     

自组织增量学习神经网络综述

自组织增量学习神经网络SOINN（self-organizing incremental neural network）是一种基于竞争学习的两层神经网络,用于在没有先验知识的情况下对动态输入数据进行在线聚类和拓扑表示,同时,对噪音数据具有较强的鲁棒性.SOINN的增量性,使得它能够发现数据流中出现的新模式并进行学习,同时不影响之前学习的结果.因此,SOINN能够作为一种通用的学习算法应用于各类非监督学习问题中.对SOINN的模型和算法进行相应的调整,可以使其适用于监督学习、联想记忆、基于模式的推理、流形学习等多种学习场景中.SOINN已经在许多领域得到了应用,包括机器人智能、计算机视觉、专家系统、异常检测等.