蚁群算法应用于化学化工的现状与展望

蚁群法是继遗传法、模拟退火法和禁忌搜索法之外的又一种新兴,启发式随机搜索算法,该算法是模拟蚂蚁在觅食过程中,能发现蚁巢到食物的最短路径搜索机制而发展起来的,已成功地应用于一系列复杂组合问题的优化。本文主要综述蚁群法的基本原理,以及近5年来在化学化工中的应用情况。首先概述算法的特点,再详尽讨论建立蚁群法模型的有关抽象与近似,指出蚁群法的实现过程;从化学化工过程的优化、化学计量学的研究和催化剂的开发、化学反应动力学参数估算等方面,讨论了算法在化学化工领域中应用情况;最后展望算法在化学化工领域中的应用可能。     

保留复杂化学模式特征的映射及其应用

提出一种保留模式特征的映射算法,并具体应用于高维的、分量间存在复共线性的复杂化学模式特征的映射,取得良好效果。算法首先提取能最大限度表达复杂化学模式特征的特征变量,并进而采用自组织映射算法将由特征变量组成的特征模式映射到低维空间,使自组织映射结果平面能直观地显示复杂化学模式的特征。算法在具体应用过程中根据复杂化学模式样本的特性,提出了主成分特征映射和分类相关成分特征映射算法。     

基于生长的自组织映射的数据挖掘

在数据挖掘应用中,基于自生成神经网络的方法被认为是比基于固定网络方法更好的一种替代方法。介绍了自组织映射(SOM)算法和生长的自组织映射(GSOM)模型,证明了GSOM的功能可以扩展成最近原型分类,并给出了其在数据挖掘中的一个应用。     

应用自组织特征映射神经网络技术实现分布式入侵检测

文中描述了一种应用自组织特征映射神经网络技术构建的分布式入侵检测系统模型，介绍了自组织特征映射神经网络的学习算法、训练过程以及在线检测流程，具有良好的自组织、自适应的能力，为网络安全运行提供了一种入侵检测手段。     

数据挖掘中聚类算法研究

聚类分析是数据挖掘领域中一个非常热门的研究课题,应用于各个领域的聚类算法非常多。本文介绍了衡量聚类算法性能的几个指标,对聚类分析进行了分类,列举了每类中典型的聚类算法,重点分析了神经网络中的自组织特征映射(SOM)算法。最后提及了聚类分析方法的应用范围以及今后需要解决的问题和发展方向。     

一种高效的自组织特征映射图的初始化方法

自组织特征映射图算法(SOFM,self-organizing Feature Map)在模式识别中有着广泛的应用.本文首先讨论了网络结构的初始化设置对自组织特征映射图构造的影响以及加速SOFM网络学习训练过程的主要方法,然后提出一种从边界到中心的自组织特征映射图初始化方法,该方法形成的自组织特征映射图能够真实地表示输入样本内在关系,大大减少学习训练次数,从而有效改进了传统的SOFM算法.     

基于SOFM网络的聚类分析

基于自组织特征映射网络的聚类分析，是在神经网络基础上发展起来的一种新的非监督聚类方法，分析了基于自组织特征映射网络聚类的学习过程，分析了权系数自组织过程中邻域函数和学习步长的一般取值问题，给出了基于自组织特征映射网络聚类实现的具体算法，并通过实际示例测试，证实了算法的正确性。     

SOM神经网络算法的研究与进展

自组织映射(Self-organizing Maps，SOM)算法是一种无导师学习方法，具有良好的自组织、可视化等特性，已经得到了广泛的应用和研究。该文系统地介绍了SOM算法的产生背景、基本算法。同时对SOM算法的参数设置和其不足进行了分析。重点归纳了其发展过程中的各种改进算法，并对其研究热点及应用领域作了简要的综述，最后展望了该算法的发展方向。     

基于Adaboost与SOFMN的人脸识别

介绍了一种基于自组织特征映射网络的人脸识别方法，使用Adaboost算法定位人脸，采用自组织特征映射网络分类器．优选网络初始权向量对人脸图像进行识别。     

神经网络模式识别技术在化学侦检领域的应用

介绍了神经网络技术的研究现状,特别是在化学领域的应用情况,以及反向传播人工神经网络(BP-ANN)的基本原理和算法.结合波谱解析和化学传感器阵列两个方面对神经网络模式识别技术在化学毒剂侦检领域的应用特点进行了分析.指明了ANN模式识别技术在应用中存在的问题,并对该方向今后的发展提出了建议.     

Simulated annealing technique for fast learning of SOM networks

The Self-Organizing Map (SOM) is a popular unsupervised neural network able to provide effective clustering and data visualization for multidimensional input datasets. In this paper, we present an application of the simulated annealing procedure to the SOM learning algorithm with the aim to obtain a fast learning and better performances in terms of quantization error. The proposed learning algorithm is called Fast Learning Self-Organized Map, and it does not affect the easiness of the basic learning algorithm of the standard SOM. The proposed learning algorithm also improves the quality of resulting maps by providing better clustering quality and topology preservation of input multi-dimensional data. Several experiments are used to compare the proposed approach with the original algorithm and some of its modification and speed-up techniques.     

Auto-SOM: recursive parameter estimation for guidance of self-organizing feature maps

An important technique for exploratory data analysis is to form a mapping from the high-dimensional data space to a low-dimensional representation space such that neighborhoods are preserved. A popular method for achieving this is Kohonen's self-organizing map (SOM) algorithm. However, in its original form, this requires the user to choose the values of several parameters heuristically to achieve good performance. Here we present the Auto-SOM, an algorithm that estimates the learning parameters during the training of SOMs automatically. The application of Auto-SOM provides the facility to avoid neighborhood violations up to a user-defined degree in either mapping direction. Auto-SOM consists of a Kalman filter implementation of the SOM coupled with a recursive parameter estimation method. The Kalman filter trains the neurons' weights with estimated learning coefficients so as to minimize the variance of the estimation error. The recursive parameter estimation method estimates the width of the neighborhood function by minimizing the prediction error variance of the Kalman filter. In addition, the "topographic function" is incorporated to measure neighborhood violations and prevent the map's converging to configurations with neighborhood violations. It is demonstrated that neighborhoods can be preserved in both mapping directions as desired for dimension-reducing applications. The development of neighborhood-preserving maps and their convergence behavior is demonstrated by three examples accounting for the basic applications of self-organizing feature maps.     

化学化工学科与计算机技术的结合与发展

计算机在化学化工中应用的启蒙阶段是在上世纪60年代.但是真正起步是在1978年.当时在中国的大地上出现了科学的春天.在中国化学会和中国化工学会2个学会下面,分别成立了计算机化学和计算机化工2个二级分会.出现了计算机专业与化学化工专业相结合的新事物,形成了中国的计算机模拟与化学化工数据库工作的高潮.它造就了很大一批人才,现已活跃在国内外的许多软件岗位上.同时作者也提出目前存在的问题,并提出改进的建议.     

《化学工程基础》多媒体课件考试系统的开发

介绍了《化学工程基础》多媒体课件的考试系统部分,对考试系统的设计思路、制作方法、基本功能等方面作了较为深入的阐述,并详细解释了考试系统的技术重点。本考试系统具有如下功能特点：1）细化了计算题的答题和判题过程,使其更接近于实际;2）学生答题后还可以检查前面的答题情况并作修改。在实际应用过程中,考试系统取得了很好的教学效果,证明了其设计和制作是成功的。     

化学化工虚拟社区的研究与设计

分析了目前Ｉｎｔｅｒｎｅｔ化学化工信息服务系统的发展趋势,提出了建立化学化工虚拟社区的构想,并从结构和软件工具两个方面对其进行了论述,还介绍中科院化冶所计算机化学开放实验室已完成的相关基础性工作。     

化学工艺学CAI平台的开发

介绍了所开发的《化学工艺学》多媒体教学平台。应用Authorware为主要开发工具,制作了“应用平台”、“素材库”、“流程拼图”3个主要模块,阐述了教学平台与教学课件的区别：平台比课件更侧重于教学环境的提供,教师可应用常用文字工具自主设计与编辑板书内容并导入到平台中使用,开放设计提高了平台软件的通用性。另外对软件的基本功能与结构特点作了较为详细的阐述,探讨了多媒体技术应用在该课程教学中的必要性与优势。     

An improved SOM algorithm and its application to color feature extraction

Reducing the redundancy of dominant color features in an image and meanwhile preserving the diversity and quality of extracted colors is of importance in many applications such as image analysis and compression. This paper presents an improved self-organization map (SOM) algorithm namely MFD-SOM and its application to color feature extraction from images. Different from the winner-take-all competitive principle held by conventional SOM algorithms, MFD-SOM prevents, to a certain degree, features of non-principal components in the training data from being weakened or lost in the learning process, which is conductive to preserving the diversity of extracted features. Besides, MFD-SOM adopts a new way to update weight vectors of neurons, which helps to reduce the redundancy in features extracted from the principal components. In addition, we apply a linear neighborhood function in the proposed algorithm aiming to improve its performance on color feature extraction. Experimental results of feature extraction on artificial datasets and benchmark image datasets demonstrate the characteristics of the MFD-SOM algorithm.     

全息算法的原理及应用

分析了全息算法的基本理论、原理和使用方法,旨在简化对全息算法的理解并加以应用;给出了几个实例(如平面3-CNF公式的计数问题),以帮助读者理解全息算法中的一些基本原理和方法。相关的原理和方法对解决某些组合计数问题有所帮助。     

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。