基于自组织特征映射的矢量量化方法

对自组织特征映射神经网络的特性进行分析，并将其与矢量量化问题的实质进行比较，提出了一个实现矢量量化的自组织特征映射算法。分析与实验表明，该算法是稳定收敛的。算法的学习结果与网络的初始状态无关，并且十分接近于全局最优解的下限。将该算法应用于图像数据的压缩，取得了很好的结果     

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.     

神经网络TSP问题仿真分析

描述了Hopfield神经网络和自组织特征映射神经网络解决TSP问题时的求解过程和仿真算法.通过对两种算法的仿真比较,得出以下结论:对于较大规模的TSP问题,SOFM模型的寻优结果要优于HNN模型寻优结果;HNN对网络模型参数和初始条件具有很强的依赖性且调整参数组合非常困难,而SOFM的参数设置和调整相对要简单得多;SOFM算法对待解决问题的拓扑分布不敏感,而HNN算法的收敛性对待求解问题的自身分布有很强的依赖性;当待求解问题的数目增大时,SOFM算法的运算时间增加缓慢,而HNN算法的运算时间增加较快.因此,在解决TSP问题时,自组织特征映射神经网络比Hopfield神经网络的效率高,随着问题规模的增大,其优势更为明显.     

基于神经网络的一种改进的向量量化方法

用LBG算法产生的码书,其码向量在码书中的排列是无序的.用此序号作为向量量化器编码输出时,对信道误码特别敏感.为了控制由于信道误码而导致整个向量量化通信系统性能严重下降,基于Kohonen网络的自组织特征映射(SOFM)算法进行向量量化分析,并针对SOFM算法性能上的缺陷,提出了一种改进的自组织特征映射算法.新算法引入失真敏感参数,对网络参数进行优化,通过调整码字的部分失真来指导神经网络的学习.通过仿真试验,从峰值信噪比的提高验证了算法的优越性.     

多带激励语音编码算法中矢量量化方案的设计

作者讨论了人工神经网络矢量量化在多带激励语音压缩编码算法中的实际应用。采用Ｋｏｈｏｎｅｎ自组织特征映射神经网络技术对语音参数中的谱包络参数进行量化，利用Ｋｏｈｏｎｅｎ自组织特征映射神经网络具有的聚类特性，提出一种初始码本抽取和码本训练的实际算法，训练出具有明显拓扑结构和码本。利用语音的帧间相关性和训练网络的结构特性，提出一种称为“邻域搜索法”的快速码字搜索算法。实验表明，这种矢量量化算法使码卡搜索     

连续输入的SOM算法的权值收敛性

研究了自组织映射（SOM）算法的权值收敛性问题，提出了一个连续状态下的目标函数，由这个目标函数出发利用Robbins-Monro算法证明了连续状态下的自组织映射的权值将收敛到一个稳定值，其结果适应于任意有限维的情形。     

多级自组织映射用于心电信号QRS波群聚类

提出了一种利用多级自组织映射(MSOM)网络进行心电QRS波群聚类的算法。此方法将归一化的两导联心电数据作为第一层自组织映射网络的输入,其输出作为第二层自组织映射的输入,最后得到聚类结果。网络迭代学习过程采用了特殊的设计,能根据不同类别自适应调整学习参数,从而提高了自组织映射的聚类能力。使用MIT-BIH数据库数据的聚类结果表明,这种方法非常适合心电QRS波群的聚类,对室性早搏(PVC)真阳性检出率达到99.1%,且聚类效率比ART-2网络方法、匹配方法有明显优势。     

一种新的自组织神经网络算法

为有效提高矢量量化码书的性能和学习效率,需进一步改进自组织神经网络的学习算法.在分析Kohonen自组织特征映射算法(SOM)的基础上,提出了一种基于频率敏感的自组织特征映射算法(FSOM),并应用到图像矢量量化中,实验表明,FSOM算法具有聚类特性好和训练速度快等优点,是一种有效的码书设计算法.     

低功耗片上网络映射的遗传及蚂蚁融合算法

针对带宽和时延约束下的低功耗片上网络映射问题,提出了基于遗传和蚂蚁算法融合的映射算法.该算法利用遗传算法的快速搜索能力,获得若干优化解,并按照这些优化解的最优顺序给蚂蚁路径赋初值,以初始化蚂蚁算法的信息素分布.然后,借助具有交叉和变异操作的蚂蚁算法,充分利用蚂蚁算法的正反馈特性,搜索低功耗映射问题的更优解.该算法具有收敛速度快、优化效果好的特点,可用于求解大规模片上网络映射问题.实验结果表明:当系统规模扩大时,该算法在搜索时间方面明显优于遗传类算法和蚂蚁类算法,如系统规模为64处理单元时,搜索速度提高率最高可达220.3％,在较快收敛的同时,还保持了较好的优化效果,与蚂蚁类算法的差别可保持在9.1％以内.     

一种结合遗传算法和LM算法的摄像机自标定方法

提出了一种遗传算法和LM算法相结合的摄像机自标定方法。首先利用遗传算法获得若干组摄相机内外参数的初始值,接着利用LM算法对每一组参数进行优化,然后选取映射误差最小的那组参数。如果这组参数的映射误差满足要求,则将这组参数作为摄相机标定的最终结果;否则利用遗传算法对刚才得到的若干组参数进行交叉和变异操作,再利用LM算法优化每一组参数,直至映射误差满足要求。最后将摄像机标定结果用于视差估计,以判断标定结果的正确性。实验结果表明,提出的结合LM算法和遗传算法的摄像机自标定方法是正确有效的。     

基于自组织映射网络的智能组卷系统

自动组卷是计算机辅助教学的重要研究内容,其中智能算法是技术关键问题,论文分析了现存组卷系统的基础上,提出了采用自组织特征映射网络智能组卷算法,具体化表明,该算法能有效地解决试题库研究中的智能组卷问题,具有较好综合性能。     

SOM在广域网故障诊断中的应用

为了提高网络管理重要组成部分的故障管理能力,通过对性能数据和故障征兆的推理来确定故障源,针对WAN(wide area network)的故障传播特征提出了一种基于自组织特征映射 SOM(self-organizing maps)的网络故障诊断模型,该模型包括SOM训练模块和故障实时诊断模块.仿真实验表明,采用该模型进行4种故障诊断,故障识别率达到95.82%,而误警率只有3.96%,说明在WAN中采用基于SOM的故障识别方法效果良好.     

一种用于计算机图形分离的自组织映射彩色量化方法

提出了一种用于计算机图形分离的自组织映射彩色量化改进方法，该方法首先将自组织映射的输出神经元分成灰度组和彩色组分别进行初始化，在训练过程中分别训练灰度组和彩色组中的神经元，同时采用生长、修剪及合并方案来自适应地调整神经网络的结构，实验结果表明，该方法能够大大提高收敛速度和量化精度，满足了后续图像分割和识别的需要。     

基于改进的自组织神经网络的基因剪切位点的识别

为提高基因序列中剪切位点的识别率,将无先导卡尔曼滤波器(UKF)和自组织神经网络(SOFM)相结合,给出一种非线性高维数据的聚类算法.利用无先导变换(UT)参数化SOFM邻域宽度函数的均值和方差,并采用UKF进行预测,完成SOFM参数的自适应过程.该算法用于基因剪切位点的识别结果表明:较SOFM与EKF参数自适应方法,该算法识别精度较高,验证了其有效性和可行性.     

汉语作为第二语言的声调认知发展模拟

该文提出了一个动态的生长型树型自组织特征映射网络,用以模拟英语母语者汉语声调的认知发展。该网络既克服了传统的Kohonen自组织特征映射网络的固定网络结构限制以及容量有限性,又克服了其他类似动态网络的较弱的拓扑映射特性,可以较好地模拟英语母语者汉语声调认知的发展。模拟结果跟实验结果呈现出非常好的一致性,既证明了行为实验中汉语声调的动态发展过程,也为汉语声调认知的机制研究提供了机理上的解释。     

A dimension reduction framework for understanding cortical maps

We argue that cortical maps, such as those for ocular dominance, orientation and retinotopic position in primary visual cortex, can be understood in terms of dimension-reducing mappings from many-dimensional parameter spaces to the surface of the cortex. The goal of these mappings is to preserve as far as possible neighbourhood relations in parameter space so that local computations in parameter space can be performed locally in the cortex. We have found that, in a simple case, certain self-organizing models generate maps that are near-optimally local, in the sense that they come close to minimizing the neuronal wiring required for local operations. When these self-organizing models are applied to the task of simultaneously mapping retinotopic position and orientation, they produce maps with orientation vortices resembling those produced in primary visual cortex. This approach also yields a new prediction, which is that the mapping of position in visual cortex will be distorted in the orientation fracture zones.     

一种新的自学习特征映射算法研究

为了有效地提高矢量量化(VQ)码书的性能,提出了一种新的自学习特征映射(SLM)算法,并应用到图像VQ中,实验表明,与自组织特征映射(SOM)算法相比,SLM算法具有聚类特性好和峰峰信噪比高等优点,是一种非常有前途的码书设计算法.     

基于均生函数-最优子集回归预测模型的青藏高原气温和降水短期预测

以青藏高原78个站点50年的逐年降水和温度数据为基础, 使用 SOFM 人工神经网络模型对高原的降水和温度变化进行了分区, 并采用均生函数-最优子集回归( MGF-OSR) 预测模型对青藏高原的降水和温度进行了5年情景的预测。预测结果表明:总体而言, 今后 5 年青藏高原的降水年际波动较大, 并没有显著的趋势;但青海东南和西藏东部部分地区有明显的减少。青藏高原的总体温度变化增加趋势显著, 仅高原东南部明显降温。     

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。