基于SOFM的入侵检测技术研究

通过引入自组织特征映射神经网络,提出了一种智能化的入侵检测技术。仿真实验表明,该方法完全可以运用于入侵检测系统之中,并有助于提高入侵检测系统的性能和网络的安全性。     

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.     

基于改进SOFM的矢量量化图像压缩

在介绍矢量量化和自组织特征映射神经网络的基础上,针对基于自组织特征映射神经网络的矢量量化算法,在初始码书生成、获胜神经元搜索策略以及调整获胜码字及其拓扑领域权值等方面进行改进.实验结果表明改进算法具有合理性和有效性.     

基于SOFM神经网络的客运一体化枢纽分类

分析了在大城市进行交通一体化枢纽建设的必要性,建立了反映客运交通枢纽一体化特性的指标体系,提出采用自组织特征映射(Self-Organizing Feature Map,SOFM)神经网络进行城市交通客运一体化枢纽分类的新方法.最后采用广州交通客运一体化枢纽为例,通过定量定性结合的方法,对客运一体化枢纽进行了分类.     

基于SOFM神经网络的学生综合评价

对学生的综合评价可以采用一系列可量化的指标来描述:智育素质、思想道德素质、身心素质、科学人文素质等,传统的对学生的评价很难综合考虑学生各方面的索质,从而导致评价不合理.为了能够综合评价学生各方面的素质,在提出改进的自组织特征映射(SOFM)神经网络的基础上,利用SOFM网络能够对高维数据有效分类的特点,将量化后的学生各方面的素质指标作为输入数据,在对样本数据进行训练后,根据输出神经元在输出层的位置对学生进行分类,最终把学生合理地分为优秀、良好、中等、稍差、差5个等级.     

结合SOFM失真的HMM语音识别方法

提出一种结合ＳＯＦＭ失真的ＨＭＭ语音识别方法，它直接将ＳＯＦＭ失真测度与左右型离散ＨＭＭ相结合综合利用ＳＯＦＭ失真五ＨＭＭ状态输出概率作为ＨＭＭ的匹配失真测度。该方法既可以看作为基于ＶＱ失真语音识别方法的推广，又可以看作为半连续ＨＭＭ的一种特例。实验结果证明它具有良好的效果。     

基于SOFM神经网络的图象矢量量化的研究

分析了自组织特征映射（ＳＯＦＭ）算法,讨论了按加权函数控制邻域半径的方法,并对ＳＯＦＭ算法应用于图象矢量量化进行了系统的仿真实验研究,为实际应用提供了实验依据和基础。     

用于语音识别中的SOFM矢量量化方法

该文讨论了神经网络语音识别系统中的ＫｏｈｏｎｅｎＳＯＦＭ神经网络的矢量量化（ＶＱ）的原理与过程,着重解决了其在实际应用时的若干问题,包括网络大小,学习步幅函数以及矢量量化过程中的公平竞争学习的控制函数的选定。过讨论了基于听觉模型的声学特性的提取与处理,这与ＶＱ性能息息相关。系统应用的实验表明,该神经网络在语音识别系统中具有良好性能。     

基于改进SOFM网络的调制方式的自动识别

提出了应用改进的自组织特征映射神经网络自动识别信道调制方式的方法．首先，提取信号特征矢量；然后对网络的输出结构进行优化，引入反馈策略，并采用自组织分析方法，对训练后的节点进行动态聚类．最后，利用训练好的网络对加载不同噪声的调制信号进行识别．仿真结果表明，该识别法识别率高于传统的决策论法的识别率，平均值高3．2个百分点左右．     

基于SOFM网络的多层模糊关联规则挖掘算法

为了表示复杂庞大的概念层次树,文中提出了一种更加通用的编码方案,将概念分层应用于模糊关联规则的挖掘.此外,为解决隶属度函数难以主观确定的问题,引入一种SOFM网络来确定样本数据的隶属度函数.基于改进的概念层次树的编码方案和SOFM网络,将模糊集引入关联规则挖掘中,设计了一种新的多层模糊关联规则挖掘算法.实验结果表明,该算法可以有效地挖掘出易于理解的、有意义的多层次模糊关联规则,具有很好的效率和伸缩性.     

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.     

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。     

多重窗口的自适应中值滤波

本文依据中值滤波的基本原理和Sakrison的非均匀图象模型提出一种改进型自适应中值滤波算法——MWMF。实验结果表明,MWMF算法对图象细节具有良好的保护作用。     

多重窗口的自适应中值滤波

本文依据中值滤波的基本原理和Sakrison的非均匀图象模型提出一种改进型自适应中值滤波算法——MWMF.实验结果表明,MWMF算法对图象细节具有良好的保护作用.     

一类基因组断点median问题的模型与算法

研究了来自生物信息学领域的基因组断点median问题。在无向环形基因组的经典情形的基础上,针对有向环形基因组的情形给出了模型和算法。基于LINGO软件的算例表明算法是可行和有效的。     

基于SOFM神经网络的变压器故障诊断研究

SOFM神经网络具有强大的非线性映射能力和高度的自组织和自学习能力,将SOFM神经网络应用于变压器的故障诊断.利用改进的罗杰斯三比值法获取变压器故障诊断的特征向量,建立了SOFM网络故障诊断模型,并对模型进行训练.为了检验模型的实际诊断能力,以变压器的4种典型故障诊断为例进行仿真实验.仿真结果表明:SOFM神经网络能够根据获胜神经元在竞争层的位置对变压器故障进行判断,诊断准确率高,收敛速度快,泛化能力强,表明基于SOFM网络的变压器的故障诊断是一种行之有效的方法.     

基于改进的自组织特征网络聚类分析

针对传统Kohonen自组织特征映射(SOFM)神经网络模型结构需要预选指定的限制,特别在大的映射网络中寻找最佳匹配结点是很耗时的问题,我们采用一种新的动态增长树型自组织特征神经网络(GTS-SOFM),给出了实现聚类的具体算法,并且使用聚类密度来衡量聚类效果.对样本进行随机抽样,实验结果证实了算法的有效性.     

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。     

用数理统计方法改进中位数公式

本文针对组距式资料的中位数计算进行了讨论,指出了传统公式的不足,改进了中位数位置的确定标准,提出了用均匀分布次序统计量的数学期望来估算中位数的方法,并在此基础上推导出新的中位数计算公式。