最大流原理：生态导位结构演化的法则

生态系统具有异质性、非线性、多层次性等复杂特性,目前大部分的研究还只是针对生态系统层次结构的唯象分析,有关生态系统结构动力学演化的研究还很少.本文利用基于最大流原理发展出的非平衡统计力学方法,在演化的层次上,对生态系统食物链的结构生成动力学过程进行深层次的探讨,结合SOM(自组织特征映射网络)的模拟方法,通过数值模拟定量揭示了生态系统的分形特性及其生长过程.     

自组织映射神经网络(SOM)在图像分类中的应用

自组织映射神经网络在非线性建模、函数逼近和模式识别中有广泛的应用,介绍了SOM网络的基本原理,利用Matlab R2007a神经网络工具箱提供的网络函数对图像进行了分类,通过实例对SOM网络的性能进行了分析.     

基于GPRS的电动汽车道路行驶工况自学习

提出了一种基于GPRS的道路行驶工况数据的远程采集方法,并将其应用在电动汽车的实际运行中,获得电动汽车道路试验原始数据库.同时将自组织映射(SOM)神经网络引入到行驶工况的自学习中,通过SOM网络对原始数据进行运动学片段的聚类分析,构建出了电动汽车在实际运行中的3种典型工况,为电动汽车基于行驶工况的自适应优化控制策略提供了基础环节.所构建的行驶工况和其他行驶工况相比具有一般规律,表明应用SOM网络能够很好地实现道路行驶工况的自学习功能.     

基于SOM网络的基因表达数据聚类分析

提出了用自组织映射(SOM)网络对生物信息学中基因表达数据进行聚类分析的方法。用SOM网络对酵母基因表达数据进行聚类。通过对映射结果的分析,表明SOM网络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。     

一种新的基于自组织神经网络的运动估计算法

提出了一种新的基于自组织网络的CFSSOM-VQ运动估计算法,新的帧间预测编码方案采用基于自组织特征映射算法(SOM)的矢量量化(VQ)作为帧间预测,以取代目前常用的运动补偿帧间预测(ME MC).并对SOM算法进行了改进,提出了一种分类频率敏感自组织特征映射(CFSSOM)算法.将该算法应用到会议电视视频编码的实验结果表明,与ME MC算法相比,CFSSOM-VQ算法具有更好的预测编码性能.     

基于BP和SOM神经网络相结合的地震预测研究

地震预测由于其产生原因的复杂性,一直是世界公认的难题.本文提出一种将多层前馈神经网络(BP网络)和自组织特征映射神经网络(SOM网络)相结合的方法并应用到地震震级的预测中,首先利用自组织特征映射神经网络对地震的原始数据进行聚类预处理,使具有内在规律的样本点集中在一起,之后利用BP神经网络对样本数据进行学习和预测,结果表明,相比直接利用BP神经网络预测结果,增加SOM聚类处理过程能有效的减小预测误差.说明此方法可以有效的汇总出与地震关系密切的因素,也表明SOM对相关震级参数分类的有效性,对利用模糊预测方法来实现震级的预测是一种有效的辅助手段.     

基于人工神经网络的陕西省城市职能分类探析

基于人工神经网络(ANN)中自组织特征映射网络(SOM)的聚类功能,采用统计年鉴中城市非农行业就业人口的资料,运用MATLAB2010软件的神经网络工具箱,对陕西省10个地级市城市综合职能进行分类,最终将10个地级市分为5类,并对分类结果进行分析和讨论.结果表明,人工神经网络方法实际可行.     

基于分形理论的矿区构造定量分析及评价

针对地质构造复杂程度难以综合量化评价的现状,基于地质构造在规模、结构、形状、力学特征等具有统计意义上的自相似性,以开平煤田东翼为研究区域,采用分形理论,对地质构造发育程度进行了量化研究,提出了利用分形维数对地质构造复杂程度进行定量评价的方法,应用结果表明,褶曲、断裂网络的分形维数,反映了矿区构造综合复杂程度,与数学地质方法趋势面分析评价基本一致,准确度较高,具有实际应用价值。     

自组织特征映射神经网络的区域经济发展聚类分析

自组织特征映射(SOM)神经网络是无教师自组织、自学习网络,具有优良的数据聚类功能.基于选取的区域经济发展评价指标,对2006年我国31个省(地区)的综合经济实力进行聚类分析.结合主成分得分对聚类结果综合评价,实证效果较好.     

自组织特征映射神经网络原理和应用研究

根据耕地利用在经济、社会和生态方面面临的压力状况,以压力状态响应框架为基础,设计一套压力大小量化的指标体系,引入具有较强的聚类和容错能力的自组织特征映射(self-organizing mapping,SOM)神经网络模型,在说明SOM网络模型和算法的基础上,应用SOM的聚类功能,以MATLAB语言构建SOM网络模型,对我国的31省市自治区耕地利用压力大小进行了分类,并结合相关文献的研究成果阐述耕地压力的地域差异原因.结果显示我国耕地压力的区域差异与经济地域差异有高度的一致性,表明经济发展是耕地压力的主要来源.选取大样本的神经网络训练得到的结果和现实的一致也表明,SOM模型是一种适用的耕地压力区域分类新方法.     

湟水流域土壤有机质和速效磷空间布局分析

为分析青海省湟水流域土壤有机质(soil organic matter, SOM)和速效磷(available phosphorus, AP)含量空间分布特征及其影响因子,运用地统计学方法分析其空间分布特征,选取高程、坡向、坡度、土壤类型、土壤pH、归一化植被指数(normalized difference vegetation index, NDVI)、气温、降水量和土地利用方式共9种影响因子,借助地理探测器研究各因子对SOM和AP的影响。研究表明SOM平均值为28.26 g/kg,AP平均值为54.30 mg/kg;SOM和AP的变异系数为39.54%和58.47%,属于中等变异程度。空间插值结果显示SOM含量在空间上呈现西北高,东南低的趋势,SOM由北向南逐渐降低;AP含量呈现中部高于两端的趋势。因子探测及Pearson相关性分析结果表明：造成SOM空间变异的三大因子顺序为：高程>气温>土壤类型;对AP含量解释程度顺序是：土壤pH>高程>土壤类型。SOM含量与高程和土壤pH两种因子呈现正相关关系,AP则相反,呈现负相关,SOM和AP空间分布都与高程有关;气温均对两种土壤养分有影响;高程因子是决定湟水流域SOM含量的主导因子,而影响AP空间分布的主导因子是土壤pH。影响因子相互作用时,呈现双线性增强或者双因子增强。两因子交互作用对SOM和AP解释力均高于单因子,说明导致SOM和AP空间分布差异的因子具有复杂性。研究得到湟水流域空间尺度上SOM和AP含量分布,并结合湟水流域9种影响因子对其含量进行分析,为湟水流域的数字农业管理和精准施肥以及耕地土壤改良和质量的提升提供了有利基础。     

基于自组织特征映射神经网络的校园网用户聚类分析

在校园网系统的管理中,网管人员常常需要了解用户的网络行为,以便更好地配置和管理网络系统,提高网络服务效率.以大理学院校园网认证计费系统日志为研究对象,利用自组织映射神经网络(SOM)对校园网用户行为和网络通信模式进行聚类分析.网管人员可以根据聚类结果,设计有效的网络管理方案和系统配置参数,从而有效地配置和管理校园网,提高服务效率和管理质量.     

一种基于聚类算法的网络入侵检测应用

针对网络入侵检测与聚类等问题,提出了一种综合模糊聚类与改进的SOM神经网络方法.通过对网络入侵数据提取、分析和处理,建立了网络入侵检测聚类模型,并对传统SOM网络层次进行改进,结合易发的网络入侵类型有针对性地对网络入侵数据进行聚类.网络入侵检测聚类与其他方法比较的结果表明,该模型在网络入侵检测聚类中具有更高的准确性和均衡性,该方法能有效提高网络入侵分类精度,减少聚类误差.     

利用SOM神经网络实现逆向工程中区域自动分割

为实现逆向工程中点云区域的自动分割,利用自组织竞争人工神经网络(SOM),对基于散乱点云的自由曲面信息计算方法进行改进,并基于自由曲面信息构造了一个八维SOM神经网的输入向量,利用SOM神经网络实现了逆向工程中区域自动分割.实验验证了本文算法的有效性.     

连续SOM聚类的一致性分类算法

数据集的质量会极大地影响分类算法的精度,针对一类隐式互斥的数值型数据提出了一致性分类方法．借鉴连续函数的思想,提出了数值型连续数据的分类一致性定义;改进了SOM算法的计算过程,使其满足文中提出的分类一致性最优条件．通过改进的SOM方法得到一个新的聚类数据集,减少了原始数据集中容易出现的隐式分类不一致性问题,从而有效地提高了分类方法的效率和分类精度．通过在一个实际的数据集上的比较,表明提出的算法的预测精度明显优于其他算法．进而还从VC维的角度分析了提出算法的优点．     

基于可生长自组织映射的意识任务分类

在基于脑电（EEG）的脑一机接口技术中，使用可生长自组织映射（SOM）神经网络进行了5类意识任务分类的研究．结果表明：①可生长SOM能够根据数据内部结构自适应地调整确定其映射网络的拓扑形状，在一定程度上反应了数据的分布特征；②可生长SOM更关注那些表达误差比较大的映射单元，从而整体上减小了映射网络的表达误差，提高了对数据模式的表达能力，有利于模式的分类处理；③可生长SOM侧重于表达类别之间的边界信息，这对于分类问题有着积极的作用．与传统SOM相比，使用可生长SOM进行5类分类处理得到的分类精度提高了10％左右，分类正确率可以超过80％，说明可生长SOM在脑-机接口系统中有着很大的潜在应用性．     

An adaptive spatial clustering method for automatic brain MR image segmentation

In this paper, an adaptive spatial clustering method is presented for automatic brain MR image segmentation, which is based on a competitive learning algorithm – self-organizing map (SOM). We use a pattern recognition approach in terms of feature generation and classifier design. Firstly, a multi-dimensional feature vector is constructed using local spatial information. Then, an adaptive spatial growing hierarchical SOM (ASGHSOM) is proposed as the classifier, which is an extension of SOM, fusing multi-scale segmentation with the competitive learning clustering algorithm to overcome the problem of overlapping grey-scale intensities on boundary regions. Furthermore, an adaptive spatial distance is integrated with ASGHSOM, in which local spatial information is considered in the clustering process to reduce the noise effect and the classification ambiguity. Our proposed method is validated by extensive experiments using both simulated and real MR data with varying noise level, and is compared with the state-of-the-art algorithms.     

一种基于自组织分级聚类的数据挖掘方法

针对传统自组织聚类方法处理数据在多维空间中存在多样性和从基本或低层次概念上发现强关联规则中的不足，提出了一种基于自组织分级聚类的数据挖掘方法．该方法采用最大似然分类自组织特征网络（MAXNET）聚类过程，利用自下而上聚合层次聚类方法，对有畸变的二值化输入模式作最大似然分类．最后对一个销售电脑商场中，与任务相关的交易数据集进行了分析，描述了从低层次概念到高层次概念的相互关系．并用matlab仿真软件把该方法和传统方法进行比较，表明了该方法的有效性．     

Multi-Dimensional Traffic Flow Time Series Analysis with Self-Organizing Maps

The two important features of self-organizing maps （SOM）, topological preservation and easy visualization, give it great potential for analyzing multi-dimensional time series, specifically traffic flow time series in an urban traffic network. This paper investigates the application of SOM in the representation and prediction of multi-dimensional traffic time series. Ffrst, SOMs are applied to cluster the time series and to project each multi-dimensional vector onto a two-dimensional SOM plane while preserving the topological relationships of the original data. Then, the easy visualization of the SOMs is utilized and several exploratory methods are used to investigate the physical meaning of the clusters as well as how the traffic flow vectors evolve with time. Finally, the k-nearest neighbor （kNN） algorithm is applied to the clustering result to perform short-term predictions of the traffic flow vectors. Analysis of real world traffic data shows the effec- tiveness of these methods for traffic flow predictions, for they can capture the nonlinear information of traffic flows data and predict traffic flows on multiple links simultaneously.