1) SOM
自组织映射神经网络
1.
Study on Rotor Fault Classifiers Based on SOM;
旋转机械的自组织映射神经网络故障分类方法研究
2.
Firstly,the paper chose network hot spot events during the random time sections as samples,draws up the commentary building-up curves,then classifies these curves by SOM,fits curves that can represent the law of development of each kind,finally,determines the type of breaking news by the conclusion above,forecasts the development trend of its comments,and demonstrates the validity of the method.
本文首先选择任意时间段内网络上的热点事件为样本,绘制其评论增长曲线,进而使用自组织映射神经网络方法将曲线分类,拟合出代表各类发展规律的曲线,最后利用所得结论判断突发新闻的类别归属,预测其评论发展趋势,并验证方法的有效性。
2) self-organizing map
自组织映射神经网络
1.
Forecasting market clearing price using self-organizing map neural network;
基于自组织映射神经网络的市场清算电价预测
2.
The modified self-organizing map(MSOM) in this article preprocesses input vectors according to the certainty level.
改进自组织映射神经网络方法是将常规自组织映射神经网络方法结合确定性水平,对网络的输入矢量进行预处理。
3) self-organizing feature map neural network
自组织映射神经网络
1.
In order to improve recognition probability and decrease recognition time of the classifier of modulation recognition,and to make it adaptive,the self-organizing feature map neural network(SOM) was used as the classifier of modulation recognition,applying its property of self-organizing and adaptation to adapt automatically variety of the signal to noise ratio.
为了提高调制方式识别分类器算法的正确识别概率和缩短识别时间,使其有自适应能力,利用自组织映射神经网络自组织、自适应的特点,提出采用自组织映射神经网络作为调制方式中的分类器,以自适应于信噪比的变化。
4) self-organization map(SOM) neural netowrk
自组织映射()SOM神经网络
5) Self-Organizing-Map (SOM)
自组织映射神经网络(SOM)
6) self-organizing feature map neural network
自组织特征映射神经网络
1.
The sample sore using neural network is a new study problem,this paper classifies zoology city by using self-organizing feature map neural network.
神经网络用于样本分类是一个新的研究课题,本文利用自组织特征映射神经网络,对生态城市进行分类。
2.
SOM network(self-organizing feature map neural network) learning with no instructors which has self-adaptive,self-learning features.
SOM网络(自组织特征映射神经网络)模拟大脑神经系统,具有自适应、自学习与联想功能,是一种无导师学习网络,最大优点是能够保持原始数据的拓扑结构,在数据分类、知识获取、过程监控和故障识别等领域中应用广泛。
补充资料：Hopfield神经网络模型
Hopfield神经网络模型
Hopfield neural network model
收敛于稳定状态或Han加Ing距离小于2的极限环。 上述结论保证了神经网络并行计算的收敛性。 连续氏pfield神经网络中，各个神经元状态取值是连续的，由于离散H6pfield神经网络中的神经元与生物神经元的主要差异是:①生物神经元的I/O关系是连续的;②生物神经元由于存在时延，因此其动力学行为必须由非线性微分方程来描述。为此，在1984年J.J.H叩fi酗提出了连续氏pfield神经网络，它可用图1所示的电路实现，其动态方程┌───┐│·T叮 │└───┘图1连续F砧pfield神经网络 (a)Sigmoid非线性;(b)神经元模型可由下述微分方程式描述: 、，产 门J /r、l、1.。瓮一客、一佘Ii认=f(u￡)￡=l，2，…，n式中f(·)为连续可微的Sign101d函数;T，j=兀、i，j=1，2，“’，n几=0]=i1~.吞~·‘八文一Q*+，戮T，j‘一‘，2，”一”连续时间氏pfield神经网络式的计算能量函数定义为:一告客客几从砚 石l「Vi_1，、，合，，， +乞古!‘厂‘(x)dx一乙I，从(4) ’月R‘Jo“‘、一’一月一，” 对于式(3)，若f一‘为单调增且连续，C>0，T，j=几(i，j=1，2，一，n)，则沿系统的运动轨道有dE一。-丁丁足之Uat当且仅当贷一。时 箭一。式(3)的稳定平衡点就是能量函数E〔式(4)」的极小点，反之亦然。同时，连续氏pfield神经网络式(3)以大规模非线性连续时间并行方式处理信息。网络的稳定平衡点对应于其计算能量函数E的极小点，网络的计算时间就是它到达稳定的时间，网络的计算在系统趋于稳态的过程中也就完成了。这也是式(3)用于神经计算及联想记忆的基本原理，也即神经计算机的基本原理。HoPfield shenling wangluo moxingHopfield神经网络模型(Hopfieldne，Ine幻即0比m侧触l)一种单层全反馈的人工神经网络模型(后称之为氏p玉idd模型)，它对推动人工神经网络研究的复苏起了很重要的作用。 且，lield对人工神经网络研究的贡献主要有: (l)把有反馈的神经网络看作一个非线性动力系统，提出了系统的全局Lyap阴lov函数(或称能量函数)的概念，用于系统稳定性的分析; (2)利用上述分析方法解决人工智能中的组合优化问题，如15护;(3)给出了利用模拟电子线路实现的连续Hopfidd网络的电路模型，为进一步研究神经计算机创造了条件。
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条