[go: up one dir, main page]

CN111239685A - 基于均匀设计和自组织特征映射神经网络的声源定位方法 - Google Patents

基于均匀设计和自组织特征映射神经网络的声源定位方法 Download PDF

Info

Publication number
CN111239685A
CN111239685A CN202010021009.6A CN202010021009A CN111239685A CN 111239685 A CN111239685 A CN 111239685A CN 202010021009 A CN202010021009 A CN 202010021009A CN 111239685 A CN111239685 A CN 111239685A
Authority
CN
China
Prior art keywords
neural network
self
sound source
feature mapping
organizing feature
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010021009.6A
Other languages
English (en)
Other versions
CN111239685B (zh
Inventor
沈学利
姜彦吉
孙宁
郭羽含
梁振兴
陈治琦
李晓臻
吴彤彤
孙涵莆
张琪虹
胡鑫泽
张彭泊
王嘉宁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Liaoning Technical University
Original Assignee
Liaoning Technical University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Liaoning Technical University filed Critical Liaoning Technical University
Priority to CN202010021009.6A priority Critical patent/CN111239685B/zh
Publication of CN111239685A publication Critical patent/CN111239685A/zh
Application granted granted Critical
Publication of CN111239685B publication Critical patent/CN111239685B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
    • G01S5/18—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using ultrasonic, sonic, or infrasonic waves
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Stereophonic System (AREA)

Abstract

本发明提供一种基于均匀设计和自组织特征映射神经网络的声源定位方法，涉及声源定位技术领域。首先确定声源所在三维空间，并将其划分为n个立体网格；选择声音信号的m个特征作为均匀设计法中的实验因素；从n个网格中选取均匀散布的k个网格做成均匀设计表；建立自组织特征映射神经网络，将均匀设计表中的数据进行归一化处理后作为该网络的输入；对自组织特征映射神经网络输入层与输出层的神经元连接权值赋值，并确定权值调整域，对权值进行更新；对自组织特征映射神经网络的学习率赋初始值，并设定学习率随训练次数增加逐渐减小；采用欧式距离法比较输入量与竞争层中的神经元对应的权值的相似性，获得声源稀疏位置，最终实现声源的精确定位。

Description

基于均匀设计和自组织特征映射神经网络的声源定位方法
技术领域
本发明涉及声源定位技术领域，尤其涉及一种基于均匀设计和自组织特征映射神经网络的声源定位方法。
背景技术
环境中的声音信号是我们获取信息的重要数据来源。在空间中，我们时常需要对声源进行定位，根据采集的声音信号，经计算处理后得到声源在空间中的位置，实现对声源的可视化，但对于复杂声源环境，需要辨析时，还有很多问题不能有效解决，无法快速准确定位声源。在空间中具有某种特征的声信号传播时，传统声源定位的解析算法运算量大，精度低，定位时间长。我们需要一种快速、准确且能自适应归纳信号内在规律和本质属性的判别方法，从而定位空间中声源位置。
发明内容
本发明要解决的技术问题是针对上述现有技术的不足，提供一种基于均匀设计和自组织特征映射神经网络的声源定位方法，实现对三维空间中叠混声信号源的定位，提高空间分辨率。
为解决上述技术问题，本发明所采取的技术方案是：基于均匀设计和自组织特征映射神经网络的声源定位方法，包括以下步骤：
步骤1、确定声源所在三维空间，并将声源所在三维空间按照其总体形状划分成大小相同的n个立体网格，每个立体网格的体中心在空间坐标系中有独立的坐标，并把每个立方网格的体中心坐标作为待定位声源所在位置；所述网格划分的大小决定了所要求的声源定位精度；
步骤2、确定均匀设计法中的实验因素；选择声音信号的m个特征作为均匀设计法中的实验因素；对于步骤1中每个立体网格中采集到的声音信号，都有m个实验因素构成的一维向量Xm＝(x1,x2，…xi…xm)，但不同立体网格中即不同位置处向量不同，对于整个三维空间，有n个m维向量；
步骤3、采用均匀设计方法，从三维空间中的n个网格中选取均匀散布的k个网格；
步骤4、将选取的k个网格做成k行m列的均匀设计表，k行表示选取的进行定位实验的k个网格，m列分别为k个网格中声音信号的不同特征；
步骤5、建立自组织特征映射神经网络；所述自组织特征映射神经网络为两层的神经网络模型结构，一层为输入层，一层为竞争层，两层网络的各个神经元之间双向连接，竞争层作为输出层，该层各神经元之间做横向连接；输入层神经元个数为m，与步骤2中m个实验因素个数对应，即节点数与样本维数相等，竞争层即输出层的神经元个数为k；
步骤6、将均匀设计表中k行m列的向量数据归一化处理
Figure BDA0002360762240000021
处理后的向量表示为
Figure BDA0002360762240000022
作为自组织特征映射神经网络的输入向量；
步骤7、对自组织特征映射神经网络输入层与输出层的神经元连接权值ωj赋值；连接权值取自空间中n个m维向量中任意k个，对连接权值归一化处理得到权值向量
Figure BDA0002360762240000023
步骤8、计算自组织特征映射神经网络的输入向量与权值向量乘积，得到z个输出值
Figure BDA0002360762240000024
对于输入向量计算得到的z个输出值，定义优胜邻域Nj(t)，确定训练t次的权值调整域，直到随着训练次数的增加，优胜邻域减小到有一个最大输出值yp,p∈(1,z)，称为获胜神经元；对权值调整域内的获胜神经元及其他神经元进行权值更新，如下公式所示：
Figure BDA0002360762240000025
其中，Δωjk为权值调整域内神经元的权值更新变化量，η为自组织特征映射神经网络的学习率；
步骤9、对自组织特征映射神经网络的学习率η赋初始值，并设定学习率随训练次数增加逐渐减小，以保证收敛，如下公式所示：
Figure BDA0002360762240000026
其中，a为0～1之间的常数，t为训练次数，tl为自组织特征映射神经网络设定的最大训练次数；
步骤10、定位声源；对于输入的向量，采用欧式距离法将其与竞争层中的神经元对应的权值进行相似性比较；k个输入向量中，
Figure BDA0002360762240000027
欧式距离计算结果最小对应的输入向量最接近声源位置，即输入向量所在立体网格最接近声源位置，进而获得声源稀疏位置。
采用上述技术方案所产生的有益效果在于：本发明提供的基于均匀设计和自组织特征映射神经网络的声源定位方法，采用自组织特征映射神经网络实现对声源定位，是一种有别于传统解析法声源定位的计算方法，具有精度高，运算量小，定位准确的优势，提供了空间声源定位的新思路。
附图说明
图1为本发明实施例提供的基于均匀设计和自组织特征映射神经网络的声源定位方法的流程图；
图2为本发明实施例提供的自组织特征映射神经网络的结构示意图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
本实施例中，基于均匀设计和自组织特征映射神经网络的声源定位方法，如图1所示，包括以下步骤：
步骤1、确定声源所在三维空间，并将将声源所在三维空间按照其总体形状划分成大小相同的n个立体网格，每个立体网格的体中心在空间坐标系中有独立的坐标，并把每个立方网格的体中心坐标作为待定位声源所在位置；所述网格划分的大小决定了所要求的声源定位精度；本实施例中，声源所在三维空间为长宽高分别为a、b、c的长方体空间，每个方向网格数分别为la,lb,lc，则n＝la·lb·lc；
步骤2、确定均匀设计法中的实验因素；选择声音信号的m个特征作为均匀设计法中的实验因素，对于步骤1中每个立体网格中采集到的声音信号，都有m个实验因素构成的一维向量Xm＝(x1,x2，…xi…xm)，但不同立体网格中即不同位置处向量不同，对于整个三维空间，有n个m维向量；本实施例中，选择声音信号的频率、振幅、相位、声压和声强五个特征作为均匀设计法中的实验因素。
步骤3、对于声源所在的三维空间较大，划分的网格数量较多，因此，采用均匀设计方法，从三维空间中的n个网格中选取均匀散布的k个网格；
步骤4、将选取的k个网格做成k行m列的均匀设计表，k行表示选取的进行定位实验的k个网格，m列分别为k个网格中声音信号的不同特征；
步骤5、建立自组织特征映射神经网络；所述自组织特征映射神经网络为两层的神经网络模型结构，一层为输入层，一层为竞争层，两层网络的各个神经元之间双向连接，竞争层作为输出层，该层各神经元之间做横向连接；输入层神经元个数为m，与步骤2中m个实验因素个数对应，即节点数与样本维数相等，竞争层即输出层的神经元个数为k；
自组织特征映射网(Self-Organizing Feature Map，SOFM)，又称Kohonen网，SOFM网共有两层，如图2所示，由输入层和输出层(竞争层)组成，SOFM的拓扑结构不包括隐含层，输入层各神经元通过权向量将外界信息汇集到输出层的各神经元。输入层的神经元数与样本维数相等。输入层为一维；竞争层形成一个二维阵列，竞争层可以是一维、二维或多维。其中二维竟争层由矩阵方式构，二维竞争层的应用最为广泛。输入层与竞争层各神经元之间实现全互连接，竞争层之间实行侧向连接。网络根据其学习规则，对输入模式进行自动分类，即在无导师情况下，通过对输入模式的自组织，学习，抽取各个输入模式的特征，在竞争层将分类结果表示出来。
步骤6、将均匀设计表中k行m列的向量数据归一化处理
Figure BDA0002360762240000041
处理后的向量表示为
Figure BDA0002360762240000042
作为自组织特征映射神经网络的输入向量；
步骤7、对自组织特征映射神经网络输入层与输出层的神经元连接权值ωj赋值；连接权值取自空间中n个m维向量中任意k个，对连接权值归一化处理得到权值向量
Figure BDA0002360762240000043
步骤8、计算自组织特征映射神经网络的输入向量与权值向量乘积，得到z各输出值
Figure BDA0002360762240000044
对于输入向量计算得到的z个输出值，定义优胜邻域Nj(t)，确定训练t次的权值调整域，直到随着训练次数的增加，优胜邻域减小到有一个最大输出值yp,p∈(1,z)，称为获胜神经元；对权值调整域内的获胜神经元及其他神经元进行权值更新，如下公式所示：
Figure BDA0002360762240000045
其中，Δωjk为权值调整域内的的权值更新变化量，η为自组织特征映射神经网络的学习率；
步骤9、对自组织特征映射神经网络的学习率η赋初始值，并设定学习率随训练次数增加逐渐减小，以保证收敛，如下公式所示：
Figure BDA0002360762240000046
其中，a为0～1之间的常数，t为训练次数，tl为自组织特征映射神经网络设定的最大训练次数；
由学习率η的计算公式可见，随着训练次数增加，学习率逐渐减小，其实现了对输出做精细调整。
步骤10、定位声源；对于输入的向量，采用欧式距离法将其与竞争层中的神经元对应的权值进行相似性比较；k个输入向量中，
Figure BDA0002360762240000051
欧式距离计算结果最小对应的输入向量，最接近声源位置，即输入向量所在立体网格越接近声源位置，进而获得声源稀疏位置。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明权利要求所限定的范围。

Claims (6)

1.一种基于均匀设计和自组织特征映射神经网络的声源定位方法，其特征在于：包括以下步骤：
步骤1、确定声源所在三维空间，并将声源所在三维空间按照其总体形状划分成大小相同的n个立体网格，每个立体网格的体中心在空间坐标系中有独立的坐标，并把每个立方网格的体中心坐标作为待定位声源所在位置；
步骤2、确定均匀设计法中的实验因素；选择声音信号的m个特征作为均匀设计法中的实验因素；对于步骤1中每个立体网格中采集到的声音信号，都有m个实验因素构成的一维向量Xm＝(x1,x2，…xi…xm)，但不同立体网格中即不同位置处向量不同，对于整个三维空间，有n个m维向量；
步骤3、采用均匀设计方法，从三维空间中的n个网格中选取均匀散布的k个网格；
步骤4、将选取的k个网格做成k行m列的均匀设计表，k行表示选取的进行定位实验的k个网格，m列分别为k个网格中声音信号的不同特征；
步骤5、建立自组织特征映射神经网络；
步骤6、将均匀设计表中k行m列的向量数据归一化处理，处理后的向量表示为
Figure FDA0002360762230000011
作为自组织特征映射神经网络的输入向量；
步骤7、对自组织特征映射神经网络输入层与输出层的神经元连接权值ωj赋值；连接权值取自空间中n个m维向量中任意k个，对连接权值归一化处理得到权值向量
Figure FDA0002360762230000012
步骤8、计算自组织特征映射神经网络的输入向量与权值向量乘积，得到z个输出值
Figure FDA0002360762230000013
对于输入向量计算得到的z个输出值，定义优胜邻域Nj(t)，确定训练t次的权值调整域，直到随着训练次数的增加，优胜邻域减小到有一个最大输出值yp,p∈(1,z)，称为获胜神经元；对权值调整域内的获胜神经元及其他神经元进行权值更新；
步骤9、对自组织特征映射神经网络的学习率η赋初始值，并设定学习率随训练次数增加逐渐减小，以保证收敛；
步骤10、定位声源；对于输入的向量，采用欧式距离法将其与竞争层中的神经元对应的权值进行相似性比较；k个输入向量中，欧式距离计算结果最小对应的输入向量最接近声源位置，即输入向量所在立体网格最接近声源位置，进而获得声源稀疏位置。
2.根据权利要求1所述的基于均匀设计和自组织特征映射神经网络的声源定位方法，其特征在于：网格划分的大小决定了所要求的声源定位精度。
3.根据权利要求1所述的基于均匀设计和自组织特征映射神经网络的声源定位方法，其特征在于：步骤5所述自组织特征映射神经网络为两层的神经网络模型结构，一层为输入层，一层为竞争层，两层网络的各个神经元之间双向连接，竞争层作为输出层，该层各神经元之间做横向连接；输入层神经元个数为m，与步骤2中m个实验因素个数对应，即节点数与样本维数相等，竞争层即输出层的神经元个数为k。
4.根据权利要求3所述的基于均匀设计和自组织特征映射神经网络的声源定位方法，其特征在于：步骤8所述对权值调整域内的获胜神经元及其他神经元进行权值更新，如下公式所示：
Figure FDA0002360762230000021
其中，Δωjk为权值调整域内神经元的权值更新变化量，η为自组织特征映射神经网络的学习率。
5.根据权利要求4所述的基于均匀设计和自组织特征映射神经网络的声源定位方法，其特征在于：步骤9所述自组织特征映射神经网络的学习率η如下公式所示：
Figure FDA0002360762230000022
其中，a为0～1之间的常数，t为训练次数，tl为自组织特征映射神经网络设定的最大训练次数。
6.根据权利要求5所述的基于均匀设计和自组织特征映射神经网络的声源定位方法，其特征在于：对于输入的向量，采用欧式距离法将其与竞争层中的神经元对应的权值进行相似性比较，如下公式所示：
Figure FDA0002360762230000023
CN202010021009.6A 2020-01-09 2020-01-09 基于均匀设计和自组织特征映射神经网络的声源定位方法 Expired - Fee Related CN111239685B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010021009.6A CN111239685B (zh) 2020-01-09 2020-01-09 基于均匀设计和自组织特征映射神经网络的声源定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010021009.6A CN111239685B (zh) 2020-01-09 2020-01-09 基于均匀设计和自组织特征映射神经网络的声源定位方法

Publications (2)

Publication Number Publication Date
CN111239685A true CN111239685A (zh) 2020-06-05
CN111239685B CN111239685B (zh) 2021-08-24

Family

ID=70872516

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010021009.6A Expired - Fee Related CN111239685B (zh) 2020-01-09 2020-01-09 基于均匀设计和自组织特征映射神经网络的声源定位方法

Country Status (1)

Country Link
CN (1) CN111239685B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111954154A (zh) * 2020-08-19 2020-11-17 北京京东振世信息技术有限公司 定位方法及装置、计算机可读存储介质以及电子设备
CN112816884A (zh) * 2021-03-01 2021-05-18 中国人民解放军国防科技大学 卫星锂离子电池的健康状态监测方法、装置和设备

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2000073815A1 (en) * 1999-05-28 2000-12-07 Fisher-Tortolano Systems Limited Navigation apparatus and method
US20110087628A1 (en) * 2007-12-12 2011-04-14 Universite Paris 13 Methods for Updating and Training for a Self-Organising Card
CN103077267A (zh) * 2012-12-28 2013-05-01 电子科技大学 一种基于改进bp神经网络的参量声源建模方法
CN103837859A (zh) * 2014-03-05 2014-06-04 湖州师范学院 一种采用混合蛙跳的小波神经网络来计算声发射源位置的方法
CN106405492A (zh) * 2016-08-31 2017-02-15 广西科技大学 基于声波和无线定位的移动目标检测方法
CN106940439A (zh) * 2017-03-01 2017-07-11 西安电子科技大学 基于无线声传感器网络的k均值聚类加权声源定位方法
CN108170147A (zh) * 2017-12-31 2018-06-15 南京邮电大学 一种基于自组织神经网络的无人机任务规划方法
US20190035101A1 (en) * 2017-07-27 2019-01-31 Here Global B.V. Method, apparatus, and system for real-time object detection using a cursor recurrent neural network
CN109459669A (zh) * 2019-01-09 2019-03-12 国网上海市电力公司 10kV配电网单相接地故障区段定位方法
WO2019145923A2 (en) * 2018-01-29 2019-08-01 Wilfred Edwin Booij Ad hoc positioning of mobile devices using near ultrasound signals

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2000073815A1 (en) * 1999-05-28 2000-12-07 Fisher-Tortolano Systems Limited Navigation apparatus and method
US20110087628A1 (en) * 2007-12-12 2011-04-14 Universite Paris 13 Methods for Updating and Training for a Self-Organising Card
CN103077267A (zh) * 2012-12-28 2013-05-01 电子科技大学 一种基于改进bp神经网络的参量声源建模方法
CN103837859A (zh) * 2014-03-05 2014-06-04 湖州师范学院 一种采用混合蛙跳的小波神经网络来计算声发射源位置的方法
CN106405492A (zh) * 2016-08-31 2017-02-15 广西科技大学 基于声波和无线定位的移动目标检测方法
CN106940439A (zh) * 2017-03-01 2017-07-11 西安电子科技大学 基于无线声传感器网络的k均值聚类加权声源定位方法
US20190035101A1 (en) * 2017-07-27 2019-01-31 Here Global B.V. Method, apparatus, and system for real-time object detection using a cursor recurrent neural network
CN108170147A (zh) * 2017-12-31 2018-06-15 南京邮电大学 一种基于自组织神经网络的无人机任务规划方法
WO2019145923A2 (en) * 2018-01-29 2019-08-01 Wilfred Edwin Booij Ad hoc positioning of mobile devices using near ultrasound signals
CN109459669A (zh) * 2019-01-09 2019-03-12 国网上海市电力公司 10kV配电网单相接地故障区段定位方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
MIRCEA I. CHELARU1: "《Spike source localization with tetrodes》", 《JOURNAL OF NEUROSCIENCE METHODS》 *
ZHONG ZHANG; I. KAZUAKI; TETSUO MIYAKE; TAKASHI IMAMURA: "《3-D Sound Source Detection by Binaural Model Using Self Organizing Map》", 《 2008 3RD INTERNATIONAL CONFERENCE ON INNOVATIVE COMPUTING INFORMATION AND CONTROL》 *
戴慰 等: "《人工神经网络在车船牌照定位中的应用》", 《中国水运》 *
沈学利; 陈光: "《一种改进的无线传感器网络DV_Hop定位算法》", 《计算机工程》 *
陈慧贤；钟子发；王伦文: "《基于自组织特征映射的多站定位技术研究》", 《通信对抗》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111954154A (zh) * 2020-08-19 2020-11-17 北京京东振世信息技术有限公司 定位方法及装置、计算机可读存储介质以及电子设备
CN111954154B (zh) * 2020-08-19 2022-08-12 北京京东振世信息技术有限公司 定位方法及装置、计算机可读存储介质以及电子设备
CN112816884A (zh) * 2021-03-01 2021-05-18 中国人民解放军国防科技大学 卫星锂离子电池的健康状态监测方法、装置和设备

Also Published As

Publication number Publication date
CN111239685B (zh) 2021-08-24

Similar Documents

Publication Publication Date Title
CN109993748B (zh) 一种基于点云处理网络的三维网格物体分割方法
CN108446689B (zh) 一种人脸识别方法
CN111415379B (zh) 一种基于布谷鸟优化的三维点云数据配准方法
CN110490230A (zh) 基于深度卷积生成对抗网络的水声目标识别方法
CN108073917A (zh) 一种基于卷积神经网络的人脸识别方法
CN110286586A (zh) 一种磁流变阻尼器混合建模方法
CN110807474A (zh) 聚类方法及装置、存储介质、电子设备
CN110751121A (zh) 基于聚类与sofm的无监督雷达信号分选方法
US20220300800A1 (en) Techniques for adaptive generation and visualization of quantized neural networks
CN111239685A (zh) 基于均匀设计和自组织特征映射神经网络的声源定位方法
CN110955809B (zh) 一种支持拓扑结构保持的高维数据可视化方法
CN112766412A (zh) 一种基于自适应稀疏图学习的多视图聚类方法
CN107832785A (zh) 一种非线性极限学习机算法
Mishra et al. Kohonen self organizing map with modified k-means clustering for high dimensional data set
CN110837891A (zh) 基于simd架构的自组织映射方法及系统
CN111291810B (zh) 基于目标属性解耦的信息处理模型生成方法及相关设备
CN108549936A (zh) 基于深度学习的自组织神经网络拓扑保持的增强方法
Zhang et al. Improvement of K-means algorithm based on density
CN112949720B (zh) 一种基于三元组损失的未知辐射源辨别方法
CN108446740B (zh) 一种用于脑影像病历特征提取的多层一致协同方法
CN107392306A (zh) 纸样规格参数推理模型的神经网络的训练学习方法和系统
CN117473353A (zh) 一种基于PageRank的改进K-means算法
CN116933141A (zh) 一种基于多核图学习的多光谱激光雷达点云分类方法
Hasan et al. Multistrategy self‐organizing map learning for classification problems
CN115599849A (zh) 一种数据转换方法、装置及数据处理系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20210824

CF01 Termination of patent right due to non-payment of annual fee