XiaoMi-AI文件搜索系统
World File Search Systemkohonen
Kohonen 自组织映射在识别中的表现...
新型航空风险评估：Kohonen 自组织映射在识别具有较大相关风险的巴西飞机方面的表现 作者：Marcell Bruno Sousa e Silva，巴西国家民航局 摘要 本文的目的是介绍一种使用 Kohonen 自组织映射 (SOM) 配置来评估航空风险的新方法，以识别最有可能发生航空事故的巴西飞机和风险最高的巴西飞机。根据 DOC 9859，所述技术被归类为用于管理航空风险的预测技术，可用于预防和调查航空事故/事件，以及保险业。使用这种技术，可以识别出发生航空事故概率最高的 147 架巴西飞机，以及相关风险最高的 180 架飞机。确定五年后，航空事故/事件的百分比分别为 34% 和 27%。应用该技术可以帮助航空界实现目标，即确定下一次航空事故和/或事件将在何时何地发生。本研究的另一个方面是证明巴西国家民航局收集的数据可用于实施民航安全管理的预测方法。简介 2020 年，航空运输占国际贸易的 35%，占全球 GDP 的 4.1%，是全球化的支柱之一 [1]，被认为是全球最安全的运输方式。根据国际民用航空组织 [2] 的说法，民航领域基于两大支柱，即商业支柱和事故预防支柱。因此，航空服务提供商和各州民航当局不断研究如何不断提高航空安全。基于这些努力，在整个航空史上，已经开展了多项研究来改进航空事故模型以及事故预防和调查。本研究旨在通过提出一种新的航空风险建模方法来为这些努力做出贡献，从而更好地评估与巴西飞机相关的航空风险。巴西机队由各国生产的飞机组成，其航空业与世界航空最佳实践密切相关。目前，巴西拥有世界第二大飞机机队，拥有多家航空工业公司，包括世界最大的商用飞机制造商之一 Embraer 和直升机制造商 Helibrás [3]。语境化
如何引用本文：D. Jude Hemanth (2020)。基于 EEG 信号的改进型 Kohonen 神经网络用于对人类心理情绪进行分类。期刊
在人机交互 (HMI) 中，识别人类情绪非常重要。这些情绪会影响人与人之间的交流和情绪。情绪检测可以清楚地了解客户在电子学习、营销、娱乐和犯罪行为方面的满意度。人工神经网络对于机器学习和情绪检测至关重要。情绪是从脑电图信号中检测出来的，它可以为音频和面部信号提供更好的性能。在这项工作中，提出了几种改进的 Kohonen 神经网络来对人类情绪进行分类。来自 DEAP 数据库的脑电图信号被用作 ANN 的输入来检测人类情绪。愤怒、快乐、悲伤和放松是使用 Kohonen 神经网络分类的情绪。实验结果表明，所提出的方法取得了良好的效果。
撤回：使用人工智能诊断疾病
摘要。本文探讨了人工智能在医学领域诊断疾病的应用，即识别影响脑肿瘤存在的因素。现代医疗技术发展迅速，人工智能正成为帮助医生准确及时诊断各种疾病的越来越重要的工具。本文重点介绍了决策树、Kohonen 图和神经网络等学习方法的应用。人工智能在医学领域的发展和应用为改善疾病诊断和提高治疗效果提供了巨大的潜力，有助于改善患者的生活质量。然而，不认为需要持续的科学支持、测试和监管，以确保人工智能在医学中的应用的安全性和可靠性。
人工神经网络在...中的意义
摘要。如今，基于计算机技术的进步，研究旨在开发新的数据处理方法。一些研究侧重于创造模仿人类生物数据处理机制的新工具。这些研究为人工神经网络的发展铺平了道路，与传统的、更常用的预测分析工具相比，人工神经网络可以被视为一种更优越的预测分析工具。如今，人工神经网络已在生态学、工程学和健康等学科中得到广泛应用。然而，可以说，尽管它们比其他预测分析更具功能性和有效性，但它们在教育研究中的应用却十分有限。本研究旨在通过参考通过人工神经网络分析进行的研究，阐明人工神经网络在教育研究中的功能和作用。关键词：人工神经网络、多层感知器、单层感知器、输入层、隐藏层简介人工神经网络是模拟人类数据处理系统的数据处理系统（Elmas，2003 年，第 22 页）。人工神经网络的概念源于在计算机系统上模仿人脑的运作原理，用定量数据进行计算，并创建生物神经元的数学模型（Efe & Kaynak，2000，第 1 页）。第一个人工神经网络是由神经生理学家 Warren McCulloch 和数学家 Walter Pitts 基于人脑的计算能力创建的（Bishop，2014，第 9 页）。 1958 年 Frank Rosenblatt 开发出感知器这种人工神经网络系统后，人工神经网络的研究开始加速，随后出现了自适应线性元件（自适应线性元件 (Widrow & Hoff, 1960)、Hopfield 网络 (Hopfield, 1982)、Kohonen 网络 (Kohonen, 1982, 1984)、玻尔兹曼机 (Ackley et al., 1985) 和通过反向传播算法学习的多层前馈神经网络 (Rumelhart et al., 1986；引自 Lek & Guegan, 1999, p. 67)。现代人工神经网络研究的重点是开发新的、更有效的学习算法，并创建能够响应随时间变化的模型的网络 (Kriesel, 2007, pp. 21-22)。如前所述，人工神经网络模拟人类大脑中的生物神经元和创建人工神经元的数学模型基于生物模型（Kohli et al.,, 2014, p. 745）。Hanrahan（2011, p. 5）描绘了生物模型的结构，如图1所示；
在教育和学习的背景下结合符号和亚符号人工智能
摘要 抽象能力是成功掌握 FHNW（Fachhochschule Nordwestschweiz）商业信息技术课程 (BIT) 的关键。面向对象 (OO) 就是一个例子 - 它广泛需要分析能力。为了测试与 OO 相关的能力，我们根据 Blackjack 场景开发了一份针对未来学生和一年级学生的问卷 (OO SET)。OO SET 的主要目标是识别在没有大量培训的情况下可能在 OO 相关模块中失败的学生群体。对于数据的解释，使用了 Kohonen 特征图 (KFM)，它现在在数据挖掘和探索性数据分析中非常流行。但是，与所有亚符号方法一样，KFM 缺乏对其结果的解释和说明。因此，我们计划在现有算法的基础上添加一个“后处理”组件，该组件为集群生成命题规则，并有助于提高招生和教学过程中的质量管理。通过这种方法，我们通过在机器学习和知识工程之间架起一座桥梁，协同整合符号和亚符号人工智能。
塞斯纳 T-303 Crusader 垂直尾翼飞行疲劳裂纹扩展监测 Eric v. K. Hill 1 和 Christopher L. Rovik 2
1 Aura Vector Consulting，3041 Turnbull Bay Road，New Smyrna Beach，FL 32168 2 Toyota Technical Center，8777 Platt Road，Saline，MI 48176 摘要 本研究涉及对 Cessna T-303 Crusader 双引擎飞机垂直尾翼疲劳裂纹扩展的飞行中监测。在实验室中对带凹槽的 7075-T6 铝制飞机槽梁支撑结构进行了周期性测试。在这些疲劳测试期间采集了声发射 (AE) 数据，随后将其分为三种故障机制：疲劳开裂、塑性变形和摩擦噪声。然后使用这些数据来训练 Kohonen 自组织映射 (SOM) 神经网络。此时，在 T-303 飞机垂直尾翼的肋骨之间安装了类似的槽梁支撑结构作为冗余结构构件。随后从初始滑行和起飞到最终进近和着陆收集 AE 数据。然后使用实验室训练的 SOM 神经网络将飞行测试期间记录的 AE 数据分类为上述三种机制。由此确定塑性变形发生在所有飞行区域，但在滑行操作期间最为普遍，疲劳裂纹扩展活动主要发生在飞行操作期间 - 特别是在滚转和荷兰滚机动期间 - 而机械摩擦噪声主要发生在飞行期间，在滑行期间很少发生。SOM 对故障机制分类的成功表明，用于老化飞机的原型飞行结构健康监测系统在捕获疲劳裂纹扩展数据方面非常成功。可以设想，在老化飞机中应用此类结构健康监测系统可以警告即将发生的故障，并在需要时而不是按照保守计算的间隔更换零件。因此，继续进行这项研究最终将有助于最大限度地降低维护成本并延长老化飞机的使用寿命。关键词：老化飞机，飞行中疲劳裂纹监测，Kohonen自组织映射，神经网络，结构健康监测 简介 飞机疲劳开裂 如今，飞机的使用寿命通常比汽车更长。这是由于许多因素造成的，包括飞机的成本、政府法规以及故障的严重后果。由于飞机的使用寿命预期如此之长，因此引发了许多问题。问题的主要根源可能是疲劳裂纹的存在和增长，这也是本研究的主题。修复疲劳裂纹造成的损坏的能力一直不是问题，但疲劳裂纹增长的检测和监测已被证明是一个真正的挑战。疲劳开裂是由于低于正常延展性金属的屈服强度的循环载荷导致的脆性断裂。裂纹尖端的高度集中应力导致在裂纹前方形成心形塑性变形区。该塑性区应变随着循环载荷而硬化，当金属的延展性耗尽时会断裂
塞斯纳 T-303 飞行中疲劳裂纹扩展监控...
1 Aura Vector Consulting，3041 Turnbull Bay Road，New Smyrna Beach，FL 32168 2 Toyota Technical Center，8777 Platt Road，Saline，MI 48176 摘要 本研究涉及对 Cessna T-303 Crusader 双引擎飞机垂直尾翼疲劳裂纹扩展的飞行中监测。在实验室中对带凹槽的 7075-T6 铝制飞机槽梁支撑结构进行了周期性测试。在这些疲劳测试期间采集了声发射 (AE) 数据，随后将其分为三种故障机制：疲劳开裂、塑性变形和摩擦噪声。然后使用这些数据来训练 Kohonen 自组织映射 (SOM) 神经网络。此时，在 T-303 飞机垂直尾翼的肋骨之间安装了类似的槽梁支撑结构作为冗余结构构件。随后从初始滑行和起飞到最终进近和着陆收集 AE 数据。然后使用实验室训练的 SOM 神经网络将飞行测试期间记录的 AE 数据分类为上述三种机制。由此确定塑性变形发生在所有飞行区域，但在滑行操作期间最为普遍，疲劳裂纹扩展活动主要发生在飞行操作期间 - 特别是在滚转和荷兰滚机动期间 - 而机械摩擦噪声主要发生在飞行期间，在滑行期间很少发生。SOM 对故障机制分类的成功表明，用于老化飞机的原型飞行结构健康监测系统在捕获疲劳裂纹扩展数据方面非常成功。设想在老化飞机中应用此类结构健康监测系统可以警告即将发生的故障，并在需要时而不是按照保守计算的间隔更换零件。因此，继续进行这项研究最终将有助于最大限度地降低维护成本并延长老化飞机的使用寿命。关键词：老化飞机，飞行中疲劳裂纹监测，Kohonen自组织映射，神经网络，结构健康监测 简介 飞机疲劳开裂 如今，飞机的使用寿命通常比汽车更长。这是由于许多因素造成的，包括飞机的成本、政府法规以及故障的严重后果。由于飞机的使用寿命预期如此之长，因此引发了许多问题。问题的主要来源，也是本研究的主题，可能是疲劳裂纹的存在和增长。修复疲劳裂纹造成的损坏的能力一直不是问题，但疲劳裂纹增长的检测和监测已被证明是一个真正的挑战。疲劳开裂是由于低于正常延展性金属的屈服强度的循环载荷导致的脆性断裂。裂纹尖端的高度集中应力导致在裂纹前方形成心形塑性变形区。该塑性区应变随着循环载荷而硬化，当金属的延展性耗尽时会断裂
“实体经济中企业财务架构的轨迹”
建立有效的公司财务架构对于维持一定的市场地位和确保稳定的盈利能力具有重大影响，其中包括资本结构、所有权结构和公司治理状况等基本要素。本研究旨在确定财务架构的状态、变化轨迹及其对公司市场地位的影响。从销售收入最高的前 200 家公司名单中选出了 22 家乌克兰公司进行研究，这些公司提供了 2007 年至 2017 年期间的完整财务报表。为了确定公司的财务架构状态和相关的市场地位，作者使用了最远邻居法的聚类分析。应用了 Kohonen 自组织映射算法。使用 Harrington 的可取性函数来确定积分指数。所选样本显示几乎所有公司的所有权集中度都很高，只有少数人控制着大量资产，从而证实了乌克兰经济的寡头结构。结果获得了七个集群组，反映了公司的财务结构质量。在整个样本中，只有五家公司拥有高质量的财务结构，即资本结构和所有权结构一致且最佳，并确保公司保持领先的市场地位。
使用机载 LiDAR 和多元分析对凡尔登战场（法国）进行战争地形测绘和分类
摘要：士兵作为高效的推土机，在最近关于人类世地貌学的辩论中，可以被视为景观变化的重要地貌驱动因素。由军事活动产生的“极地形态”与一组大小和几何形状各异的人造地貌相对应。它们在第一次世界大战凡尔登战场（法国）尤为常见，该战场是西线最大的消耗战之一。那场战役中的炮击和防御阵地的建设极大地改变了地貌，造成了数以千计的弹坑、掩体和炮位，改变了中、微地形。本文提出了一种创新方法，利用机载 LiDAR 在整个战场上获取的数字地形模型 (DTM)，对这些小规模冲突引起的地貌（不包括战壕等线性特征）进行详尽清点。使用 Kohonen 的自组织映射 (SOM) 和分层凝聚聚类 (HAC) 进行形态分析，以量化和分类大量战争地貌。这种组合方法可以绘制超过一百万个地貌，这些地貌可分为八种不同的形状，包括弹坑和各种士兵制造的地貌（即掩体、炮位等）。使用现场观察进行的检测质量评估表明，该算法成功分类了 93% 的弹坑和 74% 的人类建造的地貌。最后，所制作的图像数据库和地图系列将帮助考古学家和林业工作者更好地管理凡尔登历史遗址，该遗址如今被约 10,000 公顷的大森林覆盖。© 2019 John Wiley & Sons, Ltd.