期刊文献+
共找到9篇文章
< 1 >
每页显示 20 50 100
基于SOM神经网络算法的配电台区低压出线终端设计 被引量:1
1
作者 郑琰 张延辉 +1 位作者 陈一潇 郝庆水 《电工技术》 2022年第22期122-124,126,共4页
针对配电台区低压出线终端的用户关系容易变化的问题,提出了一种基于SOM神经网络算法来获取配电台区拓扑结构的算法,通过更新低压配电台区的拓扑结构来发现配电台区的故障,进行故障修复。
关键词 低压配电台区 拓扑结构 som神经网络算法
在线阅读 下载PDF
基于SOM神经网络的秦岭北麓保护区域村庄分类与发展策略 被引量:3
2
作者 赵哲 吕楠 姜翠梅 《桂林理工大学学报》 CAS 北大核心 2023年第4期608-616,共9页
保护秦岭生态环境是推进生态文明、维护生态安全、促进秦岭范围内人与自然和谐共生的重大举措。协调秦岭北麓区域内生态保护与镇村发展间的矛盾,是未来秦岭生态环境保护工作的重中之重。为了合理制定秦岭生态保护与区域内村镇建设规划方... 保护秦岭生态环境是推进生态文明、维护生态安全、促进秦岭范围内人与自然和谐共生的重大举措。协调秦岭北麓区域内生态保护与镇村发展间的矛盾,是未来秦岭生态环境保护工作的重中之重。为了合理制定秦岭生态保护与区域内村镇建设规划方案,构建考虑生态保护区特点及乡村自身属性特征村庄的多维度乡村分类评价指标体系,引入SOM神经网络方法建立了适用于秦岭北麓区域生态特点的乡村分类模型与指标体系,基于区域内475个村庄的调查数据识别乡村类型,提出了针对不同乡村特征的发展策略。研究表明:经过充分训练的SOM神经网络分类模型可以有效识别不同村庄的相同特征值属性,村庄类型识别精度较高,该模型具有良好的适用性和科学性,为乡村政策制定和优化提供了支撑。 展开更多
关键词 秦岭北麓区域 乡村分类 评价指标体系 som神经网络算法 发展策略
在线阅读 下载PDF
基于SOM神经网络的负荷特性分类 被引量:3
3
作者 严金花 《大众科技》 2013年第12期31-33,共3页
负荷模型对电力系统仿真结果有重要影响,由于负荷特性的辨识是负荷建模的主要方面之一,故提高负荷模型的准确度就需要对负荷特性分类进行研究。文章在详细分析SOM自组织映射神经网络结构的基础上,采用了基于SOM神经网络的负荷分类方法,... 负荷模型对电力系统仿真结果有重要影响,由于负荷特性的辨识是负荷建模的主要方面之一,故提高负荷模型的准确度就需要对负荷特性分类进行研究。文章在详细分析SOM自组织映射神经网络结构的基础上,采用了基于SOM神经网络的负荷分类方法,以负荷模型参数作为负荷动态特性分类特征向量,应用SOM神经网络对负荷特性进行分类,并对分类结果进行测试,结果表明该方法可有效地对负荷样本进行分类。 展开更多
关键词 负荷特性分类 参数辨识 som神经网络算法
在线阅读 下载PDF
混合神经网络在变压器故障诊断中的应用 被引量:44
4
作者 夏飞 罗志疆 +3 位作者 张浩 彭道刚 张茜 唐依雯 《电子测量与仪器学报》 CSCD 北大核心 2017年第1期118-124,共7页
针对变压器故障诊断准确率低的问题提出了粒子群-自组织映射-学习矢量化(PSO-SOM-LVQ)混合神经网络算法。为了获取更加有效的SOM神经网络拓扑结构,首先采用PSO算法对SOM神经网络的权值向量加以改进,在此基础上融入LVQ神经网络,弥补了无... 针对变压器故障诊断准确率低的问题提出了粒子群-自组织映射-学习矢量化(PSO-SOM-LVQ)混合神经网络算法。为了获取更加有效的SOM神经网络拓扑结构,首先采用PSO算法对SOM神经网络的权值向量加以改进,在此基础上融入LVQ神经网络,弥补了无监督学习SOM神经网络的不足。这种PSO、SOM和LVQ相结合的混合神经网络算法提高了变压器故障诊断的精度,减少了故障诊断的误差。通过仿真,对SOM、PSO-SOM和PSO-SOM-LVQ这3种算法进行了对比。对比结果表明,PSO-SOM-LVQ混合神经网络算法准确度最高,其故障诊断准确率为100%。由此可见,采用PSO-SOM-LVQ混合神经网络算法可有效提高变压器故障诊断的性能。 展开更多
关键词 故障诊断 PSO算法 som神经网络算法 LVQ神经网络算法
在线阅读 下载PDF
基于自组织神经网络算法的重庆秋冬季空气污染与天气分型的关系 被引量:9
5
作者 胡春梅 陈道劲 +1 位作者 周国兵 邹倩 《气象》 CSCD 北大核心 2020年第9期1222-1234,共13页
为了了解重庆秋冬季节空气污染天气的环流特征,利用NCEP再分析资料对污染天气过程地面气压场应用自组织神经网络算法(SOM)进行天气分型,并经过主观对比分析,总结出3类典型天气型:均压型、低压型、高压底部型;其中均压型分为2小类:两冷... 为了了解重庆秋冬季节空气污染天气的环流特征,利用NCEP再分析资料对污染天气过程地面气压场应用自组织神经网络算法(SOM)进行天气分型,并经过主观对比分析,总结出3类典型天气型:均压型、低压型、高压底部型;其中均压型分为2小类:两冷锋间的均压场、弱高压区的均压场;高压底部型按冷高压中心位置分为3小类:北方高压型、西北高压型、东北高压型。比较分析发现高压底部型大气污染物浓度最高,空气污染最为严重。应用常规观测资料和L波段探空资料分析发现:各类污染天气型表现为地面静风频率高,近地层水平风速小;逆温出现概率高,大气层结稳定,大气边界层高度低等特点。从大尺度环流背景、动力、热力气象条件及后向轨迹模拟分析了3类典型污染天气过程形成原因,为重庆地区空气污染潜势预报及浓度预报提供参考依据。 展开更多
关键词 天气分型 自组织神经网络算法(som) 大气污染
在线阅读 下载PDF
基于生物启发自组织神经网络的任务分配与路径规划 被引量:8
6
作者 刘雨 朱大奇 《系统仿真技术》 2017年第3期230-234,240,共6页
针对自治水下机器人(AUV)系统的任务分配与路径规划问题,提出一种生物启发自组织映射(GBSOM)神经网络任务分配与路径规划算法。根据AUV的水下工作环境建立二维生物启发神经网络(GBNN)模型,神经网络中每一个神经元的活性值与水下栅格地... 针对自治水下机器人(AUV)系统的任务分配与路径规划问题,提出一种生物启发自组织映射(GBSOM)神经网络任务分配与路径规划算法。根据AUV的水下工作环境建立二维生物启发神经网络(GBNN)模型,神经网络中每一个神经元的活性值与水下栅格地图中的位置单元一一对应;使用自组织神经网络(SOM)算法将水下目标分配给一组AUV并确定AUV访问目标点的顺序;在SOM任务分配的基础上根据神经网络中神经元的活性输出值分布情况自主规划AUV下一步的目标点。重复上述3步直至完成所有目标点的访问。最后,通过二维静态与动态环境下的仿真实验证明该算法的有效性。 展开更多
关键词 自治水下机器人(AUV) 生物启发神经网络(GBNN) 自组织神经网络(som)算法 任务分配 路径规划
在线阅读 下载PDF
基于ArcGIS和SOM神经网络的山羊定位和行为分类 被引量:2
7
作者 袁晨晨 焦俊 +3 位作者 倪力 孟珠李 高雅 古冉 《内蒙古农业大学学报(自然科学版)》 CAS 2016年第4期114-119,共6页
针对目前山羊行为分类的不准确以及定位困难的问题,提出了一种基于ArcGIS和SOM神经网络算法的山羊定位和行为分类系统,系统由数据层、算法服务层、图形化展示层组成。设计了对山羊三轴加速度数据的SOM神经网络算法分类器,实现了对山羊... 针对目前山羊行为分类的不准确以及定位困难的问题,提出了一种基于ArcGIS和SOM神经网络算法的山羊定位和行为分类系统,系统由数据层、算法服务层、图形化展示层组成。设计了对山羊三轴加速度数据的SOM神经网络算法分类器,实现了对山羊静止、行走、采食、跳跃等主要日常行为的分类,并结合了ArcGIS二次开发平台在地图上显示山羊地理位置。实验结果表明:本文设计的系统运行安全、数据准确,对山羊科学饲养提供了依据。 展开更多
关键词 som神经网络算法 ArcGIS二次开发 行为分类 科学饲养
原文传递
疫情期间社区商超物资配送路径优化研究 被引量:11
8
作者 刘娜 张玺 石超峰 《交通科技与经济》 2020年第5期39-44,共6页
在抗击新型冠状病毒肺炎的战役中,采取“商超+社区”创新无接触配送模式对疫情影响下的社区进行物资配送,以保障居民生活物资供应。利用SOM神经网络算法与遗传算法求解车辆路径规划中的特例问题——TSP问题,以湖北省黄石港区社区物资配... 在抗击新型冠状病毒肺炎的战役中,采取“商超+社区”创新无接触配送模式对疫情影响下的社区进行物资配送,以保障居民生活物资供应。利用SOM神经网络算法与遗传算法求解车辆路径规划中的特例问题——TSP问题,以湖北省黄石港区社区物资配送路径为例,对两种算法的优化结果进行对比,发现遗传算法比SOM神经网络算法拥有更高的求解精度及效率。结果表明:优化后的路径距离为初始路径距离的37.2%,使用遗传算法可更快地搜寻到最佳的物资配送路径,得到较好的物资配送方案。 展开更多
关键词 公路运输 物资配送 som神经网络算法 遗传算法 社区商超 路径优化
在线阅读 下载PDF
基于模糊聚类的个性化Web信息检索系统研究 被引量:2
9
作者 罗金增 《电脑知识与技术》 2005年第12期82-84,共3页
本文利用模糊聚类的原理(神经网络SOM算法)提出一种个性化WEB信息检索系统结构,包括用户个性化模糊聚类和网络信息模糊聚类,并分别论述其实现过程。
关键词 个性化检索 神经网络som算法 模糊聚类 数据挖掘 搜索引擎
在线阅读 下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部