采用粒子群优化(PSO)算法优化权重失真指数(LW D I),提出了基于粒子群优化的SOM(PSO-SOM)训练算法.用该算法取代K ohonen提出的启发式训练算法,同时引进核函数,以加强PSO-SOM算法的非线性聚类能力.以某工厂丙烯腈反应器数据为聚类应用...采用粒子群优化(PSO)算法优化权重失真指数(LW D I),提出了基于粒子群优化的SOM(PSO-SOM)训练算法.用该算法取代K ohonen提出的启发式训练算法,同时引进核函数,以加强PSO-SOM算法的非线性聚类能力.以某工厂丙烯腈反应器数据为聚类应用研究对象,研究结果表明,与启发式训练算法相比,PSO-SOM算法能够得到较优的聚类,而且该算法实现简单、便于工程应用,对丙烯腈反应器参数调整以及收率监测具有显著的指导作用.展开更多
文摘采用粒子群优化(PSO)算法优化权重失真指数(LW D I),提出了基于粒子群优化的SOM(PSO-SOM)训练算法.用该算法取代K ohonen提出的启发式训练算法,同时引进核函数,以加强PSO-SOM算法的非线性聚类能力.以某工厂丙烯腈反应器数据为聚类应用研究对象,研究结果表明,与启发式训练算法相比,PSO-SOM算法能够得到较优的聚类,而且该算法实现简单、便于工程应用,对丙烯腈反应器参数调整以及收率监测具有显著的指导作用.
文摘本文结合近年生物学中神经科学的发展,针对神经胶质细胞对生物神经元网络的生长提供能量支持的特性,将神经胶质细胞的能量模型引入到人工神经元的概念模型中,提出了能量人工神经元(Energy artificial neuron,EAN)的概念模型,并给出了数学表述.同时,在能量人工神经元模型的基础上,实现了一种新型自生长、自组织人工神经元网络(EANbased self-growing and self-organizing neural network,ESGSONN),ESGSONN将神经元中的能量、网络的熵增量及样本与神经元权值的相似度的竞争作为生长的条件,并对最优生长点中的获胜神经元进行单位步长调整.ESGSONN实现了快速生长、精确的样本数据分布密度保持、死神经元少的特性.本文使用经典的16种动物实验(Ritter and Kohonen,1989)验证了ESGSONN的正确性,并通过同SOFM、GCS等自组织网络的对比实验验证ESGSONN网络的特性.最后,本文对ESGSONN在高维空间中的本质进行了讨论.
