SOM神经网络在储层流体识别中的应用

自组织特征映射（ＳＯＭ）神经网络能通过自组织有效地提取出各特征参数间的内在特征并映射到分类模板上，它可以用于各种模式识别问题。本文首次将ＳＯＭ网络引入到储层流体识别中，经研究表明其精度高于传统方法，说明该方法在解决复杂分类问题上的有效性和先进性，它在储层流体识别中的应用是成功的，值得推广。     

一种新的自组织神经网络算法

为有效提高矢量量化码书的性能和学习效率,需进一步改进自组织神经网络的学习算法.在分析Kohonen自组织特征映射算法(SOM)的基础上,提出了一种基于频率敏感的自组织特征映射算法(FSOM),并应用到图像矢量量化中,实验表明,FSOM算法具有聚类特性好和训练速度快等优点,是一种有效的码书设计算法.     

自组织神经网络在CRM中的应用

提出了一种利用自组织神经网络来进行海量数据的挖掘和分类归纳的方法,该网络实现简单,反应速度较快,而且分类准确,冗余性强,对企业决策具有指导意义.     

自组织竞争神经网络及其在社会经济区划中的应用

在MATLAB6.5软件的支持下,利用人工神经网络中"自组织竞争神经网络"的原理及聚类功能,选取耕地面积、人均耕地、农业总产值、乡镇企业产值、财政收入、农民人均收入等6项社会经济相关指标,较为客观地将宝兴县11个乡(镇)划分为3类社会经济区域,并对其分类结果进行了分析.结果表明,该网络能很好地反映并提取样本间复杂的信息,实现科学合理的社会经济区划.相比传统的系统聚类法,自组织竞争神经网络由于在运行过程中人为主观因素介入少,因此分类结果具有更大的可靠性,适于在社会经济分区中应用.     

用自组织神经网络设计自适应调色板

本文提出了种新的、简单可行的方法设计自适应的调色板，用具有自组织特性的Ｋｏｈｏｎｅｎ神经网络，根据调色板的要求，设计了具有一维输出神经元的确定结构的网络，同时，为了使主观的显示效果更好，客观的映射误差减少，提出了修改的Ｗｉｎｎｅｒ－Ｔａｋｅ－Ａｌｌ算法，并对神经网络权值的初始化、输入样本的采样顺序提出了相应的方法。     

基于自组织选取中心的广义RBF神经网络学习算法

根据RBF网络要学习的3个参数:基函数的中心、方差和权值,提出了广义RBF网络自组织选取中心的学习算法.该算法首先学习隐层基函数的中心与方差,然后学习输出层权值,仿真结果表明了该算法的有效性.     

自组织神经网络在空中目标识别中的应用

本文研究了将自组织神经网络用于空中目标识别的方法,并基于此提出一个识别飞机及其诱饵红外图象的方案,提出目标表面的分形特征和熵特征,针对各特征量纲不统一,信息表达方式差异等特点,利用自组织神经网络来实现特征间的有效融合,实验表明,该方法具有较高的稳定性和准确性。     

Kohonen自组织神经网络在织物折皱等级评定中的应用

采用Kohonen自组织神经网络客观评定织物折皱等级，依据自组织神经网络的基本原理，结合自组织神经网络结构实现神经元的竞争和训练，并将结果输出到相应的分类模式中，以此确定试样的折皱等级，最后采用26种真实织物验证该方法的可行性。     

一种新的基于自组织神经网络的运动估计算法

提出了一种新的基于自组织网络的CFSSOM-VQ运动估计算法,新的帧间预测编码方案采用基于自组织特征映射算法(SOM)的矢量量化(VQ)作为帧间预测,以取代目前常用的运动补偿帧间预测(ME MC).并对SOM算法进行了改进,提出了一种分类频率敏感自组织特征映射(CFSSOM)算法.将该算法应用到会议电视视频编码的实验结果表明,与ME MC算法相比,CFSSOM-VQ算法具有更好的预测编码性能.     

基于自组织模糊神经网络的市场占有率模型

针对现有市场占有率模型(如传统的统计方法和近年来出现的模糊模型与神经网络模型)实际预测效果并不理想的问题,结合模糊神经网络和自组织理论建立了基于自组织模糊神经网络的市场占有率预测模型．该模型无需事先确定模糊控制规则,并能通过神经网络的结构及参数学习调整模糊神经网络的结构．最后结合实例进行了仿真．结果显示该模型优于其它模型,能为企业提供有力的市场占有率定量分析工具．     

基于自组织神经网络的轴流风机不对中故障诊断研究

利用神经网络的非线性映射及其高度的自组织和自学习能力,将自组织神经网络(SOM)应用于轴流风机的故障诊断.根据故障信号及其故障类型来构造网络,用单一故障样本对网络进行训练,根据输出神经元在输出层的位置对故障进行判断.风机的不对中故障是指风机转轴与电机主轴之间由联轴器联结构成轴系,由于机器安装误差、承载后的变形及机器基础的松动等,造成轴系对中变化误差.本文就结合不对中故障的实际情况,通过MATLAB仿真验证了该方法的正确性.     

基于自组织映射与概率神经网络的增量式学习算法

为解决传统学习算法不能有效利用新可用数据这一不足,提出一种基于自组织映射(SOM)和概率神经网络(PNN)的增量式学习算法——增量式模块化自组织映射概率神经网络(IMSOMPNN)。使用模块化SOM对每类训练数据进行学习,以训练后SOM的原型向量作为此类别的模式神经元来构建PNN。IMSOMPNN可以方便地实现对不同类型的新数据进行增量式学习,并且在进行增量学习时,不再需要利用到原始的训练数据,仅使用新的数据对已有模型进行局部调整;最后,IMSOMPNN还具有较强的抗噪能力。在UCI Landsat Satellite数据集上的实验验证了该文所述方法的有效性。     

采用遗传算法自组织神经网络模糊控制器

提出一种自组织神经网络模糊控制器的新方案。该方案的一个主要特征是,可获得实现模糊控制器的最小且最优的神经网络结构,而且所获得的模糊控制器同时具有神经网络的广泛映射能力、联想概括能力和遗传算法的快速全局收敛、再励式学习等优良特性。     

用自组织神经网络自动识别岩相

ＢＰ神经网络技术以及其强大的学习能力已广泛应用于许多领域，取得了很好效果，但当不具备已知样本时，该技术很难应用，本文采用改进的自组织神经网络，对测井资料进行自动岩相识别，并在松辽盆地进行了实际应用。通过与已知资料对比证实该方法是一种有效的岩石自动识别方法，具有良好的应用前景。     

可持续发展自组织特征映射神经网络评价

针对目前可持续发展评价模型存在的缺点和不足,提出了一种基于可持续发展多维空间体系的自组织特征映射神经网络评价方法,并用该方法对2000年广东沿海地区可持续发展情况进行了评价.结果表明:①珠三角沿海地区可持续发展整体水平高于其它沿海地区;②可持续发展自组织特征映射神经网络评价结果不仅能反映区域可持续发展相对程度,而且能区别不同区域的发展类型,该方法用于可持续发展评价具有一定的可行性.     

基于自组织特征映射神经网络的聚类分析的应用

介绍了自组织特征映射神经网络结构和算法,并将此神经网络用于葡萄酒化学成分产地的聚类分析,实验结果表明：该网络的聚类准确率达到了87％,具有一定的科学性和适用性。     

分区前馈神经网络及其算法

基于鲎小眼间侧向抑制的Hartline Ratliff模型，文中将自组织网络与BP网络相结合，提出了一种分区前馈神经网络，并给出其具体学习，仿真算法.该网络结构能反映人脑多网络结构，并行处理信息的特点，因而具有学习快速，一定程度上克服局部极小和适合并行计算的特点.计算机仿真的算例证明，即使在患行计算机学习时间也可以减少到以往的50%以下，而与传统的前馈神经网络具有相同的泛化能力.     

基于自组织神经网络SOM和K-means聚类算法的图像修复

近来自然图像的修复已经成了一个热门话题.提出了一种基于K-means聚类算法的自组织神经网络(SOM),称为SOM-K.它首先利用SOM来训练每一个像素的特征向量,并把一幅图像分层.这样就能把每个破损像素分到每层,同时SOM训练后的输出也通过K-means聚类算法来聚合,分别在各个层中修复破损的像素.最后把修复好的各层溶合到一起.与单独使用SOM相比,SOM-K具有更精确的分类能力.     

用于机器手控制的在线的自组织模糊神经网络

基于动态自适应方法,本文提出了一种能动态生成自组织模糊神经网络(SOFNN)的新算法,并应用该算法能有效地估计机器手的非线性。本算法能自动划分输入输出空间,自学习调整高斯函数,模糊规则的构造及空间的划分数目是并行调整的。这个SOFNN算法的独特之处是:自组织动态结构、快速的学习能力,良好的鲁棒性。一个两自由度的工业机械手验证了其有效性。