导读:本文包含了自组织映射神经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:神经网络,组织,网络,层次,特征,光谱,成因。
自组织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）
黄乾,马开刚,韦善阳,黎静华[5]（2019）在《基于强化自组织映射和径向基神经网络的短期负荷预测》一文中研究指出径向基(radial basis function,RBF)神经网络因其泛化能力强、收敛速度快的特点广泛应用于负荷预测。但传统采用K-means和自组织映射(self-organizing map,S O M)训练R B F径向基中心的方法因其全局搜索能力偏弱,仍然存在容易陷入局部最优解的问题,严重制约了RBF预测精度的提高。针对此问题,提出了一种基于强化学习(reinforcement learning,RL)改进的RBF短期负荷预测方法。强化学习通过环境的反馈不断完善搜索策略,具有非常突出的全局搜索能力。所提方法将强化学习以环境反馈修正搜索策略的机制应用于SOM,大幅增强了SOM的全局搜索能力,使其获得逼近最优的径向基中心,提高RBF负荷预测精度。以英国某地区2016年5～9月的负荷数据进行仿真实验。结果显示,与采用K-means和SOM方法训练径向基中心的RBF相比,所提的强化学习改进RBF方法的负荷预测平均相对误差分别由4.58%和4.37%降低至3.30%。(本文来源于《全球能源互联网》期刊2019年01期）
吴香华,蒙芳秀,熊萍萍,于华英,燕妮[6]（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）
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）
詹仲强,余金,郭志,王银涛,克帕依吐·吐尔逊[10]（2018）在《基于自组织映射的改进BP神经网络短期光伏出力预测研究》一文中研究指出针对光伏发电出力随机波动给电网调度造成困难这一问题,提出了一种基于SOM-PSO-BP的模型对光伏有功功率进行短期预测,用于提高电网对可再生能源的调度能力。首先采用自组织映射对原始数据组进行聚类降维;接着使用粒子群算法对BP神经网络的权重和偏置矩阵进行寻优;然后利用训练集构造SOM-PSO-BP预测模型;最后在对比仿真中验证了所提方法的有效性。(本文来源于《四川电力技术》期刊2018年02期）
自组织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。
自组织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].黄乾,马开刚,韦善阳,黎静华.基于强化自组织映射和径向基神经网络的短期负荷预测[J].全球能源互联网.2019
[6].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
[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].詹仲强,余金,郭志,王银涛,克帕依吐·吐尔逊.基于自组织映射的改进BP神经网络短期光伏出力预测研究[J].四川电力技术.2018
论文知识图
