自组织特征映射网络的分析与应用

数据挖掘的方法主要包括检索和分类两类,而各自都有缺陷.针对这些缺点提出先利用自组织映射的方法对采集的数据进行聚类和可视化,获得一些关于采集到的数据的初步信息.自组织映射法的目的是一个将高维数据非线性的投到一个预先定义好的二维拓扑中.它通过竞争学习的方法达到了降维、聚类、可视化的目的.     

基于涌现自组织映射的油气层识别及分析

当样本数多、数据维数高时,利用Kohonen自组织特征映射聚类后相邻类簇间容易发生大面积重叠,导致聚类和可视化的效果降低.利用Ultsch涌现自组织特征映射神经网络对测井数据进行聚类,而后分别通过分量图、U矩阵和P矩阵在超环面上进行可视化,并对其结果进行比较分析.该模型可克服Kohonen自组织特征映射的上述缺陷,优化聚类结果.借助该模型进行测井数据的聚类分析与可视化,可为岩性识别提供参考.     

基于降维的聚类可视化技术

基于降维或映射技术的聚类结果可视化技术提供了在二维或三维空间直观地分析数据集的聚类结构、聚类质量和分布信息的有效手段.对线性降维可视化方法、非线性降维可视化方法及映射可视化方法等进行了介绍、实例展示和讨论分析,最后对这类方法的优缺点、存在的问题和进一步的研究方向做了总结和展望.     

多维数据的聚类结果可视化技术综述

在很多情况下,人们不仅需要聚类算法给出类标,还需要掌握聚类结构和数据分布情况.为满足后一项需求,出现了许多聚类结果的可视化(简称聚类可视化)技术,以图形的方式将多维数据和其聚类结果显示在二维或三维空间.从直接在二维或三维空间显示数据及其聚类结果、数据经降维(或映射)后显示以及其它显示方式3种角度综述了常用的30多种聚类可视化方法,并对各种方法的优缺点和适用性进行了分析和讨论.     

自组织映射网络的应用与探讨

自组织映射可用于学习识别数据的类型，对同类样本聚类，文章探讨自组织映射网络的训练方法，并通过训练自组织映射网络实例来分析训练的可视化结果。     

聚类数据挖掘可视化模型方法与技术

面向通用数据资源,研究聚类数据可视化方法与技术,旨在探索有效的数据处理方法,满足信息领域对高维数据处理的要求。通过对高维数据进行降维处理和可视化映射实现,建立K均值算法的聚类数据挖掘可视化系统模型,实现中间聚簇结果、聚类中心、收敛准则函数值三类要素的可视化。利用加利福利亚大学欧文分校(UCI)数据库中的Iris数据集、Wine数据集、Seeds数据集对可视化系统模型方法进行测试。结果表明,该模型实现了对数据集的有效聚类,能够将中间聚类、聚类中心、收敛准则函数值进行实时有效的可视化表达,达到了预期效果。     

基于SOM的多维信息可视化研究

处理数量巨大且富含多维信息的数据正成为人们关注的热点,可视化技术为分析和处理海量信息提供了新的手段.SOM能够通过自组织的方式实现高维数据的降维.本文介绍了基于SOM法的多维信息可视化技术.该方法先通过SOM矢量量化法建立原型矢量,然后通过SOM的批量训练实现降维,并用多维比例缩放法实现降维后的数据在低维空间坐标上的投影.在此基础上,分别阐述了地图网格映射、基于聚类的可视化和基于变量的可视化3种可视化方法.论文最后用SOM方法对2003年中国非典的多维信息进行了可视化分析,验证了该方法的实用性.     

基于NLPCA的聚类可视化方法

为了将高维输入空间的数据映射到低维空间,利用可视化技术探测数据的固有特性,提出了用非线性主成分分析（NLPCA:NonLinear Principal Component Analysis）和自组织映射网络相结合的方法对生物信息学中基因表达数据进行聚类可视化分析。实验结果表明,该方法有较高的分类正确率,用于基因表达数据的聚类分析是行之有效的。     

基因表达模式分析及软件系统

研究和实现了4种基因表达模式的聚类方法，开发了基因表达模式分析软件系统．该软件包含了两两平均连锁聚类法、系统聚类法、自组织特征映射法和模糊聚类等聚类算法，其中模糊聚类算法是首次用于基因表达模式分析．该软件同时具有数据过滤、多种相似性度量选择、聚类方法选择和结果可视化等功能．对于同一组基因表达数据，可通过不同的聚类算法的组合，提供更多的基因分类信息，为生物体复杂的基因表达模式研究提供了一个重要的综合分析平台．     

基于核的自组织映射聚类

将核学习的方法应用于自组织映射聚类中,提出了一种核自组织映射聚类算法.该算法以核函数代替原始数据在特征空间中映射值的内积,并且神经元权值向量的初始化和更新都可由其组合系数向量表示,从而获得了直观而简单的迭代公式.分析了算法中学习速率过高会降低学习稳定性、学习速率过低又会降低收敛速度等参数选择问题,给出了一组折中考虑学习稳定性和收敛速度要求的参数初始值.实验结果表明,核自组织映射聚类对于非椭圆型的类分布数据,如环形数据,聚类正确率也能够达到99.886 4%.对IRIS数据集和入侵检测报警数据的聚类也证明了核自组织映射聚类方法的良好性能.     

青藏高原气候变化风险源综合聚类研究

为了反映青藏高原气候变化风险源的综合特征及其地域差异,构建自组织特征映射人工神经网络,选用暴雨相对强度、干燥度指数、年均积雪深度、年积雪日数以及平均风速等作为聚类指标,运用1971—2008年青藏高原地区91个站点的风险源数据训练网络。研究结果表明:网络聚类结果存在一定的空间规律性,同时结合对各个指标的分析,聚类结果在综合各类指标的同时对某一类指标还有所偏重。通过统计分析和检验,最后将4种类型分别描述为暴雨主导型、积雪主导型、干燥度和平均风速主导型及要素均衡型。进一步的分析表明,这些类型的空间分布特征确实与单项指标的高值区吻合,但综合分析包含了更加丰富和全面的信息,更加接近真实的情况。     

一种新的基于动态SOFM的神经网络聚类模型

提出一种动态增删自组织映射(DGDSOM)神经网络,给出该模型的聚类算法描述及实现过程。定义了聚类节点信任度,并根据竞争结果、信任度、中心相似度,制定节点的增删策略,通过动态评价并变动节点,提升聚类效果。实际的聚类分析应用结果表明,该算法可以得到准确的聚类结果。     

矿化带圈定的自组织特征映射网算法研究及应用

为实现复杂地质信息的非线性整合处理, 对地质勘探资料进行综合分析与分类, 采用自组织特征映射网, 解决了地学数据的多来源、 表达方式复杂、 间接性、 多解性、 非线性和传统矿化带圈定的人工分类的不确定性等问题, 效果明显, 分类结果与地质事实基本吻合, 该方法能够弥补人工分类的不足, 为矿化带的圈定提供准确可靠的依据.      

基于动载的路面不平度识别的小波特征提取

提出了基于车轮垂直动载的路面不平度识别的小波特征提取方案.对垂直动载采用bior 1.5小波,做4层小波分解,求4层细节系数和第4层近似系数幅值的均值和方差作为特征参数.使用Fisher判据和自组织映射(SOM)神经网络对小波参数、快速傅立叶变换(FFT)分段系数参数、全部数值的均值和方差、全变差、过零率、共振峰幅值参数以及实倒谱系数参数的分类能力进行了判定和比较.试验结果表明在路面不平度识别方面小波参数组合优于其他参数组合.     

基于SOFM网络的改进K-均值聚类算法

针对传统的K-均值聚类算法中随机选取初始聚类中心的缺陷,提出一种改进的K-均值聚类算法,利用自组织特征映射网络(SOFM)自动获得初始聚类中心.实验结果表明,改进的K-均值聚类算法能有效改善聚类性能,提高聚类的准确率.     

SOFM网络下的深圳市城市用地功能识别分析

基于88814条POI数据, 并借助自组织映射网络(SOFM网络), 对深圳市城市土地利用的功能进行分析和识别, 并与中国基本城市土地利用类型制图(EULUC-China)进行比较验证。结果表明: 1) 深圳市城市街区尺度呈现功能混合的特征, 主要分为第二产业和生产性服务业主导、交通设施主导、居住+第二产业及生产性服务业+商业服务业设施混合、居住+公共管理和服务混合以及商业+公共管理和服务混合5类空间用地。2) 基于SOFM网络的用地功能识别模型, 结果更为细致, 混合功能用地的分类更能突出地域特征。     

粗糙集连续属性离散化的SOM网络方法

基于Rough Set理论中的不可分辨性原理,给出两个新的定义属性的最大区分值(Maximum Dis-cernibility Value,MDV)和属性冗余度(Attribute Redundancy Rate,ARR)。在数据预处理阶段,属性的MDV数值用于确定关于自组织映射网络SOM输出单元数量的启发式搜索策略;属性冗余度则用于衡量属性约简结果的信息冗余程度,并以此作为优化SOM网络输出层结构的依据。不依赖于领域经验知识,建立了MDV、SOM、ARR的组合算法模型,实现了Rough Set理论中连续属性的自动离散化计算,并明显提高了属性约简的速度。最后,通过项目实例对全过程进行有效验证。