导读:本文包含了自组织特征映射网络论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:组织,特征,神经网络,网络,植物学,拓扑,电能。
自组织特征映射网络论文文献综述
王鹏程,杨国栋,张晓晨,钟育谦,翟飞飞[1]（2019）在《宝华玉兰生存群落的自组织特征映射网络排序与分类》一文中研究指出为了解国家Ⅱ级保护植物宝华玉兰Magnolia zenii的种群分布规律及其濒危原因,进一步揭示宝华玉兰野生种群与群落及环境之间的生态关系,应用自组织特征映射网络(SOM)对宝华玉兰生存群落进行了排序和分类,以期为保护和管理宝华玉兰种群野生种质资源提供理论依据和新的方法。结果如下:①群落结构分析表明,宝华玉兰天然更新缺乏,且紫楠Phoebe sheareri,建始槭Acer henryi等优势种占据了主要生存空间与资源,影响了宝华玉兰种群增长和发展,使其在群落中处于不稳定地位;②SOM将40个样方进行聚类分析,得到7个群落类型。不同群落类型之间的物种组成存在差异,界限清晰,排序结果与优势种实际分布情况吻合,说明SOM的分类结果具有合理性;③环境因子可视化分析揭示了宝华玉兰分布于坡度较缓的半阳坡,种群分布主要受到坡向和坡度2个环境因子的影响,由于宝华玉兰自身生长过程中对环境要求的特殊性和不适应性,造成了其濒危现状;④SOM具有高度非线性拟合的特点,且能够同时进行排序和分类,并将分类结果可视化,呈现样方之间的相似性,说明SOM应用于群落分类和排序,反映种群与群落及环境之间的生态关系是合适的。(本文来源于《浙江农林大学学报》期刊2019年02期）
刘焕海,叶剑锋,阿斯耶姆[2]（2016）在《基于自组织特征映射网络(SOM)的聚类分析方法》一文中研究指出介绍了自组织映射网络聚类分析方法,以2012年以来全世界女子排球最重要的七次大赛成绩为依据,提高世锦赛、世界杯、奥运会权重,建立了相应的神经网络模型,并对世界九支女排强队成绩进行6个级别分类。在训练过程中减小关联度较小的样本影响,提高了预测精度、训练速度。使用Matlab工具箱函数进行仿真,面对网络媒体中众多的世界排名,推测预知,提出了相对科学的数据分析方法。(本文来源于《软件导刊》期刊2016年12期）
付学谦,陈皓勇,蔡润庆[3]（2014）在《基于自组织特征映射网络的电能质量综合评估》一文中研究指出为支持未来市场的电能质量多级事务和电能质量综合管理,提出了一种基于自组织特征映射(SOFM)网络的电能质量综合评估新方法.文中介绍了SOFM网络的模型和原理,设计了SOFM法综合评估电能质量的模型,并以现有文献中的实例为样本,将该方法与目前几种常用的评估方法进行比较,结果表明文中所提方法适用于电能质量综合评估工作,并具有显着的实用性.(本文来源于《华南理工大学学报(自然科学版)》期刊2014年06期）
李林峰,张金屯,周兰,邵丹[4]（2014）在《自组织特征映射网络在芦芽山自然保护区青杄林分类和排序中的应用》一文中研究指出采用自组织特征映射网络(SOM)对芦芽山自然保护区青杄林进行数量分类和排序。结果表明:SOM将60个森林样地划分为8个群落类型,各类型在排序图上都有其分布范围和界限,且群落结构、物种组成差异明显,说明分类和排序结果合理,可较好地揭示群落间的生态关系;通过环境因子梯度的可视化方法,确定海拔、坡位和坡度是影响该地区青杄林生长和分布的主要因子,揭示群落、物种及植被分布和环境因子的关系。结果表明SOM网络适用于表征群落生态特征及探索群落和环境相互关系的研究,将其应用于自然保护方面,将有利于对不同植被类型进行分类和管理。(本文来源于《林业科学》期刊2014年05期）
徐立,苗玥,邢俊风[5]（2014）在《自组织特征映射网络在脂肪肝B超图像识别中的应用研究》一文中研究指出通过分析肝脏B超图像的纹理特征,利用自组织特征映射神经网络(SOFM)的聚类特性对脂肪肝B超图像进行分类识别,建立较人为经验识别更为准确的计算机B超脂肪肝医学辅助诊断系统。实验结果表明SOFM网络对脂肪肝的识别率达88.89%,轻度识别率达71.42%,中度识别率达79.82%,重度识别率达85.71%,该辅助系统可提高脂肪肝的诊效率和准确性。(本文来源于《电子技术与软件工程》期刊2014年05期）
丁硕,常晓恒,巫庆辉[6]（2014）在《自组织特征映射网络在模式分类中的应用研究》一文中研究指出为了研究自组织特征映射神经网络在对于二维向量进行模式分类时,网络结构的最优化问题,深入研究了SOFM神经网络的结构和算法,说明了SOFM网络的建立方法。以二维向量的模式分类为例,利用所建立的SOFM网络模型对输入的二维向量模式进行分类,研究了输出层节点形状和拓扑结构对分类结果的影响,测试了在不同的训练步数条件下,SOFM模型的权值向量的调整过程和分类效果。仿真结果表明:当网络的输出节点以二维平面形式输出时,长和宽不相等的矩形图的分类性能明显优于正方形图的分类性能,并且在输出节点形式相同的情况下,六边型拓扑结构分类精度明显优于栅格型拓扑结构的SOFM神经网络。(本文来源于《科学技术与工程》期刊2014年05期）
余翀[7]（2013）在《基于自组织特征映射网络和最小代价生成树的无线传感器网络构建》一文中研究指出本文设计并实现了一种结合自组织特征映射网络模型(SOFM)和最小代价生成树算法(MST)的无线传感器网络(WSN)构建方法。该方法分为两个阶段,第一阶段利用自组织特征映射网络模型竞争优化得出无线传感器网络的汇聚节点和汇聚层;第二阶段,采用分布式计算方法,对自组织特征映射网络聚类后得到的各种"类别"的传感器,并行使用最小代价生成树算法进行局部无线传感器网络构建;最终完成全局无线传感器网络构建的全过程。实验研究结果表明:SOFM-MST-WSN构建算法可以快速、有效、优化地构建满足动态拓扑特性和自组织特性要求的无线传感器网络;且计算步骤固定,适合在各种军事国防和日常民用领域中的无线传感器网络应用系统中使用。(本文来源于《第六届ABB杯全国自动化系统工程师论文大赛论文集》期刊2013-11-07）
王家伟,周浩瑜,同庆,田宏杰,贾花萍[8]（2013）在《基于MATLAB的自组织特征映射网络的实际应用》一文中研究指出为了改善高校奖学金的评定方法,提出了自组织特征映射网络的解决方案,通过设计出基于MATLAB的SOM神经网络,并对所设计的SOM神经网络进行训练及测试,验证了自组织特征映射网络在奖学金评定改进措施中的有效性,改善了奖学金评定中的公平性、公正性。实际应用表明,该方法具有准确、可靠的特点,有很好的实用性。(本文来源于《电子设计工程》期刊2013年06期）
赵智,任桂山,陈津刚,陈学梅[9]（2012）在《基于自组织特征映射网络的配电网故障类型识别》一文中研究指出针对电力系统配电线路故障类型识别的问题,为提高故障类型识别准确性,提出应用小波变换技术对故障信号进行预处理,提取工频信息构成神经网络的训练样本集,通过构建自组织特征映射网络对不同故障类型的特征向量进行自动聚类来实现对故障类型的识别。大量的仿真测试表明,此网络模型收敛速度快,通过自学习能够有效覆盖故障模式空间,实现对不同故障类型的准确识别,网络对故障类型的识别不受故障过渡电阻、系统运行方式以及故障点位置等因素的影响。(本文来源于《自动化技术与应用》期刊2012年09期）
周晓蒙,徐小明[10]（2012）在《改进的求解旅行商问题的自组织特征映射网络》一文中研究指出对自组织特征映射(SOM)网络进行改进,要求神经元在训练过程中不仅数目保持不变而且在每次迭代中保持其权的均值与样本数据均值相同。当训练结束时,每一个城市都会对应于一个神经元的标号。此时,可能会出现两个及两个以上的城市对应于一个神经元的情况。为避免这个问题,采用小数标号代替整数标号。此时,每一个城市就对应于一个不同的实数索引标号,从而按照这个索引标号排列城市就得到了一条合理的路径。用此方法对旅行商问题(TSP)实验数据库(TSPLIB)中算例进行计算,实验结果表明所提算法是有效、可行的。(本文来源于《计算机应用》期刊2012年07期）
自组织特征映射网络论文开题报告
（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：
介绍了自组织映射网络聚类分析方法,以2012年以来全世界女子排球最重要的七次大赛成绩为依据,提高世锦赛、世界杯、奥运会权重,建立了相应的神经网络模型,并对世界九支女排强队成绩进行6个级别分类。在训练过程中减小关联度较小的样本影响,提高了预测精度、训练速度。使用Matlab工具箱函数进行仿真,面对网络媒体中众多的世界排名,推测预知,提出了相对科学的数据分析方法。
（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。
自组织特征映射网络论文参考文献
[1].王鹏程,杨国栋,张晓晨,钟育谦,翟飞飞.宝华玉兰生存群落的自组织特征映射网络排序与分类[J].浙江农林大学学报.2019
[2].刘焕海,叶剑锋,阿斯耶姆.基于自组织特征映射网络(SOM)的聚类分析方法[J].软件导刊.2016
[3].付学谦,陈皓勇,蔡润庆.基于自组织特征映射网络的电能质量综合评估[J].华南理工大学学报(自然科学版).2014
[4].李林峰,张金屯,周兰,邵丹.自组织特征映射网络在芦芽山自然保护区青杄林分类和排序中的应用[J].林业科学.2014
[5].徐立,苗玥,邢俊风.自组织特征映射网络在脂肪肝B超图像识别中的应用研究[J].电子技术与软件工程.2014
[6].丁硕,常晓恒,巫庆辉.自组织特征映射网络在模式分类中的应用研究[J].科学技术与工程.2014
[7].余翀.基于自组织特征映射网络和最小代价生成树的无线传感器网络构建[C].第六届ABB杯全国自动化系统工程师论文大赛论文集.2013
[8].王家伟,周浩瑜,同庆,田宏杰,贾花萍.基于MATLAB的自组织特征映射网络的实际应用[J].电子设计工程.2013
[9].赵智,任桂山,陈津刚,陈学梅.基于自组织特征映射网络的配电网故障类型识别[J].自动化技术与应用.2012
[10].周晓蒙,徐小明.改进的求解旅行商问题的自组织特征映射网络[J].计算机应用.2012
论文知识图
