改进的模糊C均值聚类算法及其在海底热液硫化物组分分析中的应用

在聚类分析中,模糊C均值(FCM)聚类算法有着广泛的应用。在实际应用中,该算法存在着很多缺陷,如最优聚类数目的确定完全依赖于数据的数目,算法易收敛到局部极值点以及收敛速度慢等。本文针对这些缺陷提出了2点改进方法:首先,利用减法聚类确定聚类数目的范围,提出一个新的聚类有效性指标函数,实现最优聚类数目的自适应确定。在此基础上,提出了基于粒子群(PSO)的模糊C均值混合聚类算法,以解决已有原始FCM聚类算法容易陷入局部极小点和收敛速度慢的问题。仿真测试结果表明:改进后的FCM聚类算法能够有效减少迭代次数,并以较快的收敛速度获得更加准确的聚类结果。最后,将改进的FCM聚类算法应用到冲绳海槽热液硫化物矿物组分分析中,准确地反映出了其矿物化学组分中主要金属元素的分布特征及矿石分类状况。     

模糊目标函数聚类算法及其在东海黑潮水团分析中的应用

由于受陆架海区气候、海底地形等影响,使东海黑潮及其邻近海域的水团划分与分析较为困难,本文应用模糊目标函数的聚类算法对这个海区的水团进行了划分与分析,文中详细地叙述了这种算法的基本原理与计算步骤,包括对原始样本资料进行加权处理,利用Fuzzy伪F统计比率选择子模式样本确定水团个数和利用隶属度公式确定水团边界以及逐步修正模糊协方差矩阵和聚类中心的过程,由于采用这种方法,该海域的水团得到了一种最佳的划分.本文采用1986年5、6月中日合作黑潮调查资料进行计算,计算结果表明,本海区存在属于两种基本类型的8个水团和一个混合区,它们是:一、黑潮水:1.黑潮表层水(K_f);2.黑潮次表层水(K_s);3.黑潮中层水(K_c).二、混合水:1.东海混合水(E);2.福建东北部海域混合水(F_em);3.黄海上层混合水(Y_f);4.对马暖流表层水(T_suf);5.屋久岛南部海域表层水(U_f),此外,有一个混合区(M_k).     

支序分类在海草分类划分中的应用

海草的分类划分同题相当混乱,作者在通过数值分类对海草的分类进行探讨基础上,利用支序分类,借助计算机技术,详细地探讨海草各科间的系统演化关系,对海草进行新的分类划分。     

模糊ISODATA聚类算法在声速剖面自动分类中的应用

依据中国海浅海区30′按月历史统计声速剖面数据,通过归一化处理和Akima差值采样得到梯度剖面,建立起各方区按月归化后的声速剖面分层梯度样本集,并采用模糊ISODATA聚类算法对声速剖面进行聚类分析.通过对分类结果和类内总方差和的分析表明,聚类参数m值在1.1～2.1之间,并以最远邻系统聚类法结果为初始类中心的模糊分类效果较好.应用该方法对海洋中的声速剖面进行自动分类和区划对海洋环境的战术应用意义重大.     

K-均值聚类算法在多波束底质分类中的应用

针对海底采样点较少时,监督学习训练分类模型困难的问题,研究无监督学习的K-均值聚类分析算法在多波束海底底质分类中的应用。在探讨K-均值聚类分析算法原理的基础上,构建海底底质分类器,针对分类器需预先输入分类结果种类(K值)这一问题,提出了基于底质采样点和分类效果连续性为原则的K值确定方法。实验结果表明:基于K-均值聚类分析算法的海底底质分类器能较好的实现海底底质类型的自动划分,适用于海量多波束底质特征参数的分类。     

低通滤波器在高光谱影像分类中的应用

研究了低通滤波器对类别可分性的改善原理,指出将其应用于高光谱影像分类有利于获取更为准确的类别分布信息,进而提高影像分类精度。最后通过实验对低通滤波器在高光谱影像分类中的表现进行了验证。     

多源日志存储和分析在网络事件关联中的实际应用

网络管理要对网络事件有全面认知。目前网络管理的常用手段主要依靠对所有网络设备和网断的系统信息检测和读取信息,而网络信息庞杂且时刻变化,对信息存储和解读提出了很高的要求和挑战。为了解决上述问题,基于Loglog算法提出了1种全新的网络运行日志存储和恢复算法,并且结合实际运行环境给出1个应用模型,扩展网络管理和维护的时间跨度和空间维度。同时,算法结合网络日志的特点加之最大熵方法的过滤器,并在网络认知关联上有实际的应用,对网络信息挖掘有理论联系实际的意义。     

聚类相似法在西北太平洋台风预报中的应用

本文利用聚类相似原理,对美国NOAA收集的一百多年的台风资料中西北太平洋上最近50年发生的台风进行了系统分类,从区域、季节及台风的移向、移速、中心气压和最大风速6个方面进行聚类分析,查找出与被预报台风在区域、季节及台风的移向、移速和强度上相似的一个或若干个历史上发生的台风,用查找到的历史台风中某时段的信息,代替被预报台风在未来各时间段上的移向、移速和强度变化情况,从而得出预报结论。     

分子生物学在微藻分类研究中的应用

通过与传统微藻分类方法的比较,说明微藻分子分类技术的产生与发展,并从线粒体DNA（mtDNA）、叶绿体DNA（cpDNA）和核基因组DNA（nDNA）3个方面列举了分子分类技术在微藻鉴定和生理生态方面的应用,着重说明了核基困组在藻类分子检测中的作用。并对微藻分子分类技术的问题与发展进行了总结与展望。     

Kohonen网络与BP网络的集成应用研究

本文介绍了 Kohonen神经网络对输入数据进行聚类方法在卷烟配方中的应用 ,提出了从核心样本动态搜索 BP网络训练样本的新探索 ,摒弃了过去 BP算法中训练样本固定不变 ,互不相交的方法 ,实现了 BP网络和 Kohonen网络动态无缝集成。     

基于改进BP神经网络的海底底质分类

通过采用遗传算法优化神经网络初始权值的方法,将GA算法与BP神经网络有机结合,应用于海底底质分类。基于多波束测深系统获取的反向散射强度数据,应用改进的BP神经网络分类方法,实现对海底基岩、砾石、砂、细砂和泥等底质类型的快速、准确识别。通过实验比较,GA-BP神经网络分类精度明显高于BP神经网络,证明了该方法的有效性和可靠性。     

多种群并行进化神经网络的研究及应用

提出一种新的多种群并行遗传算法 (NMPGA) ,并将其作为多层前馈神经网络(MFNNs)的学习算法 ,从而形成一类新的 MFNN模型——多种群并行进化神经网络(MPENNs)。首先 ,对一给定的网络结构 ,随机产生一初始权重的集合 ,这个集合实际上对应着一组具有相同结构但不同权重的神经网络。然后 ,采用 NMPGA对 MFNNs的权重进行进化。最后 ,性能最好的网络被选作目标问题的解。在 NMPGA算法中 ,作者采用浮点数编码来克服传统二进制编码的精度不足问题 ,并设计了专门的杂交算子和变异算子来增强算法性能。实验结果表明 ,MPENNs能成功解决异或问题、三元奇偶问题及成品烟的感官质量评价问题。     

基于BP神经网络的海底地形复杂度自动分类方法研究

针对海底地形复杂程度分类问题,在考虑传统水深均值的基础上引入坡度和起伏度两个地形因子作为表征海底地形复杂程度的分类指标并进行量化,对水深数据空间分辨率进行统一,建立包含18种典型海底特征的海底地形复杂度分类库,利用BP神经网络对建立的分类库进行训练学习。为验证该方法的有效性和适用性,选取地形复杂度不同的4块实验区分别采用统计学方法和BP神经网络算法进行海底地形复杂度进行分类,对比发现该方法可以实现海区海底平坦、一般、复杂三种地形的自动识别与分类,并保留实验区海底地形复杂度细节信息。     

改进BP算法在风暴潮极值水位预报中的应用

提出1种基于改进BP算法的风暴潮极值水位预报方法。首先针对现有人工神经网络BP算法存在的缺陷,引入Cauchy训练方法计算连接权的调整,解决BP算法的局部极小点和网络瘫痪的问题。然后结合山东海区水文观测站每年的台风风暴潮资料,应用该改进算法建立台风强度、风速和台风移速与风暴潮极值水位的非线性网络预报模型,对该站极值水位进行预报。实验结果表明,该算法具有很好的稳定性和准确性,为风暴潮预报分析提供了1种可靠的技术手段。     

浮游植物密度的人工神经网络预测研究

将人工神经网络模型应用于藻类密度数据的预测计算之中,并利用遗传算法对其网络结构进行优化计算以保证计算结果的准确性且自动确定网络结构,分别对神经网络的“当天模型”和“预测模型”进行了计算。结果显示：几种人工神经网络模型在计算精度以及预测数据的趋势上都有较好的效果,目前国内学者使用的人工神经网络“当天模型”无法对其后数据进行预测,不能起到实际预测的作用,而经过遗传算法优化后的人工神经网络“预测模型”不仅达到了很好的预测效果,而且网络结构简单,适用于浮游植物密度的预测计算。     

盐田水体遥感分类方法研究

以连云港台北盐场为研究区，介绍了监督分类法和神经网络分类法及其在盐田水体遥感分类中的具体应用。研究结果表明，用神经网络分类法进行遥感影像自动分类，其分类精度高，显示了其在遥感领域较为广阔的应用前景。     

基于人工神经网络的海底细粒土工程分类研究

海洋沉积物工程定名对于开展海洋工程建设具有重要作用,然而海底粉土和黏性土的定名受人为因素影响容易产生误差.使用人工神经网络的方法对黄河口埕岛海域284组细粒土数据进行了训练和学习,得到了只利用沉积物粒径质量分数进行定名的方法.结果表明,使用人工神经网络的方法能够有效地对沉积物进行工程定名.当网络含有5个输入层节点、9个...     

基于模糊神经网络理论对水下拖曳体进行深度轨迹控制

以华南理工大学开发的自主稳定可控制水下拖曳体为研究对象,首先通过水下拖曳体在拖曳水池样机中的试验取得试验数据后作为训练样本,采用LM BP算法,建立基于神经网络理论构建的可控制水下拖曳体轨迹与姿态水动力的数值模型。在此基础上设计了一个控制系统,它主要由两部分组成:基于遗传算法的神经网络辨识器和基于模拟退火改进的遗传算法的模糊神经网络控制器。以满足预先设定的拖曳体水下监测轨迹要求为控制依据,由控制系统确定为达到所要求的运动轨迹而应采用的迫沉水翼转角,以此作为输入参数,通过LM BP神经网络模型的模拟计算预报在这一操纵动作控制下的拖曳体所表现的轨迹与姿态特征。数值模拟计算结果表明:该系统的设计达到了所要求的目的;借助这一系统,可以有效地实现对拖曳体的深度轨迹控制。     

基于主成分分析的BP神经网络模型的形变预测方法

主成分分析可以提取形变主要信息,BP神经网络具有很强的预测功能,提出将两者相结合用于形变监测数据处理。通过MATLAB编程实现了该算法,并用实测数据进行验证,证明此方法能够提高预测数据的精度和可靠性。结果表明：与其他方法相比,基于主成分分析的改进BP神经网络能取得更好的预测效果。