分享到:

涡轮泵故障检测的频段能量比SOM算法

为了解决缺少故障样本情况下的涡轮泵健康状态判别问题,分析了涡轮泵振动信号的频谱,提取了频段能量比作为其故障检测特征,并讨论了自组织映射的竞争学习原理及聚类结果的U-矩阵表示,提出了一种基于频段能量比的自组织映射故障检测算法,  (本文共4页) 阅读全文>>

《科技视界》2015年16期
科技视界

SOM网络在雷达目标识别中的应用

针对雷达目标识别的问题,前人提出了许多方法 ,而本文研究了无监督的SOM网络在雷达目标识别中的应用。本文主...  (本文共2页) 阅读全文>>

《电子设计工程》2015年18期
电子设计工程

基于SOM神经网络的人力资源管理风险预警模型研究

随着世界经济的发展,人力资源管理成功与否,直接关系到企业能否立足于激烈的市场竞争过程中。而企业在实际运行过程中,人力资源管理将会面对多种样式的风险。本文以人...  (本文共3页) 阅读全文>>

《中国集体经济》2011年18期
中国集体经济

基于SOM网络的城市分类探讨及实证分析

科学的城市分类不仅便于我们对各个城市的发展进行评估,并且为我们制定城市的发展决策提供了依据。而基于人工神经网络(ANN)的自组织...  (本文共2页) 阅读全文>>

《现代商业》2010年06期
现代商业

基于SOM的商业银行客户细分研究

本研究探讨了银行客户细分方法的选取,确定了目前较为合适进行客户细分的维度...  (本文共1页) 阅读全文>>

太原理工大学
太原理工大学

基于SOM算法改进的K-medoids算法及其研究

科技的飞速发展,引起信息的急剧膨胀,给计算机存储和行业数据库带来巨大挑战。随着数据指数级的增大,维度不断加大,数据类型的复杂度也在不断提升。对于这些超高维数据,需要通过数据挖掘技术来探索隐藏于数据内的信息并利用获取的信息辅助我们做出科学合理的预测与决策。常见处理高维数据方法有:数据降维、聚类分析、回归分析等。本文介绍了传统的自组织映射(SOM)神经网络和K-medoids算法。传统的SOM算法在使用时,存在部分样本点和对应的权向量之间差距较大,造成聚类的准确性较低;K-medoids算法在聚类前需要人为确定聚类个数和初始中心点,而不同的聚类个数和初始中心点的选择会造成不同的聚类结果。为弥补以上两种方法的不足,本文提出一种自组织映射(SOM)神经网络与K-medoids算法结合的算法——改进的SOM-K算法。文中,第一章详细描述了大数据背景下,聚类和降维算法的研究意义;第二章主要讲述了基于聚类算法距离的定义;第三章主要阐述传统的K...  (本文共57页) 本文目录 | 阅读全文>>