Resumen

La red neuronal de mapa de características autoorganizado (SOM) es un tipo de red neuronal competitiva con aprendizaje no supervisado. Tiene las fuertes habilidades de autoorganización y autoaprendizaje. Sin embargo, la precisión de clasificación de la red neuronal SOM puede disminuir cuando las características del objeto probado no son obvias. En este documento, se utiliza el algoritmo de optimización de enjambre de partículas (PSO) para optimizar los valores de peso de la red SOM. Se utilizan tres índices, densidad intraclase, desviación estándar y diferencia de muestra, para juzgar el valor de peso, lo que puede mejorar la precisión de clasificación de la red SOM. La red PSOSOM se aplica a la detección de fallas de arco en series en circuitos eléctricos y se compara con la red SOM convencional y la red de cuantización vectorial de aprendizaje (LVQ). La precisión de detección de la red PSOSOM es del 95%, que es mayor que la red SOM convencional y la red LVQ

• Materias:Fluido eléctrico Dispositivos semiconductores Nanomateriales Teoría de Transformaciones Factorización de matriz
• Subjects:Electric Fluid Semiconductor devices Nanomaterials Transformation Theory Matrix factorization
• Palabras claves:Mapa de características autoorganizado; Red neuronal SOM; Aprendizaje no supervisado; Optimización por enjambre de partículas; Algoritmo PSO; Precisión de clasificación
• Keywords:Self-organizing feature map; SOM neural network; Unsupervised learning; Particle swarm optimization; PSO algorithm; Classification accuracy