一种改进的SOFM聚类算法研究

针对常规SOFM(self-organizing feature map)无监督的神经网络,提出了一种改进的自组织特征映射SOFM神经网络算法。在常规SOFM网络数据聚类算法基础上,分析了其在实际应用中存在的不足,对初始权值设定以及邻域范围选择等方面进行了算法的优化和改进,进而提高了SOFM神经网络聚类算法的正确率、收敛速度和实时性,并利用仿真实验进一步对提出的改进算法进行了验证。     

用神经网络进行散乱点的区域分割

点云的区域分割实质上是根据点的局部几何特性的相似性对点进行分类,利用自组织特征映射神经网络（SOFM）方法可以实现无监督的特征聚类。使用SOFM进行反向工程中点云的区域分割,选用数据点的坐标、法向量六维向量作为SOFM的输入,通过改进SOFM的学习算法,加入输入权和距离权,加速了分割的速度和正确性。利用SOFM方法实现点云分割具有以下优点：不必限定面的类型;用户可以控制分区的个数;可以处理噪声数据,实例运行结果验证了此方法的可行性。     

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.     

ES-SOFM混合模型及其在水环境评价中的应用

提出一种基于进化策略（Evolutionary Strategy,ES)和自组织特征映射（Self-Organizing Feature Map,SOFM)神经网络的混合模型进行水环境评价的新方法。把SOFM网络嵌入到ES中，根据SOFM网络的运行状态构造ES的适应性函数，利用ES的强搜索能力克服SOFM网络对初始权向量和样本输入次序敏感的弱点。在水环境评价中的应用效果表明，此方法比模糊聚类法分类更合理。     

基于改进自组织竞争神经网络的高光谱图像分类

针对传统的SOFM网络对高光谱图像分类精度低的缺点,提出了采用模糊积分与神经网络相结合的分类方法．即在改变网络的学习速率函数和邻域函数的前提下,同时对分类结果采用基于模糊积分的信息融合,使分类器之间相互补偿,并用高光谱图像的分类实验进行验证．与普通的SOFM网络和K均值聚类方法相比较,分类效果更好．     

基于改进主动学习和自训练的联合算法

针对主动学习面向大型数据集人工标记成本过高和半监督自训练算法中存在误标记点影响的问题,提出了一种主动学习与半监督自训练交替迭代训练的联合算法．算法在训练过程中奇数轮次采用主动学习算法,偶数轮次采用自训练算法,通过2种算法的交替迭代训练以弥补彼此不足．自训练算法对无标记样本的预测减轻了主动学习标记样本的负担,同时主动学习标记易变成噪声的样本,减轻了自训练算法训练过程中对样本的标记错误．提出了一种基于密度峰值聚类和隶属度的改进主动学习算法:将初始无标记样本聚类成簇,根据隶属度差值在每个簇内选取部分样本做人工标记,获得可表达样本的整体结构的均衡样本．仿真试验表明:提出的联合算法在性能上要优于2种单一算法．对比常见的主动学习算法,改进后的主动学习算法分类性能得到显著提升,将其应用于联合算法中的效果更具优势．      

自组织特征映射网络在模式分类中的应用研究

为了研究自组织特征映射神经网络在对于二维向量进行模式分类时,网络结构的最优化问题,深入研究了SOFM神经网络的结构和算法,说明了SOFM网络的建立方法。以二维向量的模式分类为例,利用所建立的SOFM网络模型对输入的二维向量模式进行分类,研究了输出层节点形状和拓扑结构对分类结果的影响,测试了在不同的训练步数条件下,SOFM模型的权值向量的调整过程和分类效果。仿真结果表明:当网络的输出节点以二维平面形式输出时,长和宽不相等的矩形图的分类性能明显优于正方形图的分类性能,并且在输出节点形式相同的情况下,六边型拓扑结构分类精度明显优于栅格型拓扑结构的SOFM神经网络。     

基于移动窗FICA和SOM方法的心动异常诊断

该文针对在线独立成分分析算法学习速率以及收敛性难以把握的问题,提出了一种利用变窗体移动窗附加在实时信号上的快速独立成分分析(Fast independent component analysis,FICA)改进算法,不但满足在线处理要求,而且不用考虑学习速率的问题,节省存储空间并提高运算效率。利用自组织映射(Self-organizing maps,SOM)神经网络算法在动态分类上的优势,采用变移动窗快速独立成分分析与自组织映射相结合的方法对心动异常数据进行了分类。实验表明,该方法能有效地提高速率和实现实时故障分类。     

一种改进的等误差自组织特征映射矢量量化算法

为了改善矢量量化的码书性能和提高神经网络的学习效率,在分析等误差自组织特征映射算法(equidistortion self-organizing feature mapping,EDSOFM)的基础上,提出了一种改进算法.改进算法将模糊神经网的隶属度函数引入到竞争学习算法中,有效地提高了学习收敛速度.针对原算法搜索获胜...     

多光谱卫星云图的SOFM-PNN网络耦合的云分类模型

针对单一类型的神经网络分类器难以正确区分和有效识别复杂云类特征的缺陷,本文基于静止气象卫星云图多光谱云类样本,通过计算、分析云图灰度、梯度与纹理特征,提取了云分类最佳判别因子,建立了自组织网络（SOFM）与概率神经网络（PNN）的综合云分类器优化模型．该分类器首先利用自组织网络对云类样本进行无监督初始分类,确定出相似样本子集;随后用概率神经网络对初始分类误差进行有监督修正和分类结果的二次优化判别．试验结果表明,该分类器可有效提高云类判别效果,分类结果的总正确率达到92．4％,Kappa系数为90．82,明显优于单一的统计分类器判别效果．     

SOFM神经网络最近插入法混合算法在TSP问题中应用研究

SOFM神经网络已经成功应用到TSP问题中，但是该算法存在一些缺点，随着学习速度逐步降低，会导致一些城市无法通过。针对这些缺点，尝试在SOFM神经网络中引入最近插入法形成混合算法。通过实验，并与SOFM神经网络该算法对比，结果表明，该算法能够很好地完善该问题。     

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。     

基于自组织特征映射的图像分割算法研究

提出了一种基于自组织特征映射的图像分割算法,实现了计算机对图像的初步理解,从而在某种程度上模拟了生物的初级视觉功能．通过分析研究Kohonen网络的自组织特征映射过程,构造了基于Kohonen网络的图像分割神经网络方法,应用自组织特征映射方法将原始图像分割为有序化的相关特征区域．最后结合图像分割的特点对算法进行了改进,结合有监督的学习算法,使得图像的分割最终在先验知识的指导下进行．实验结果表明将Kohonen网络应用于图像分割使得算法具有很强的自适应性,能够在很大程度上避免背景及噪声对分割的影响．     

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。     

基于邻域信息的网络结构表示学习

针对传统网络表示学习方法无法学习节点网络结构相关性的问题, 提出一种基于邻域信息的网络结构表示学习模型. 该模型首先定义基于邻域信息的节点间结构相似度计算方法, 对不同邻域范围内节点间结构相似度建模； 其次构建深层自编码器, 将节点结构相似度作为监督信息优化网络表示, 在网络嵌入过程中学习节点结构信息. 与node2vec,SDNE,struc2vec三种相关算法进行对比的实验结果表明, 该方法有更好的网络结构识别能力, 能学习到节点间的结构相关性, 所得到的网络表示能适用于角色识别相关任务. 此外, 跨网络分类实验结果还体现了该方法在迁移学习方面的潜力.     

基于Kohonen神经网络的遥感影像监督分类

作为一种自组织网络,Kohonen神经网络在遥感影像聚类中得到了广泛的应用.但Kohonen算法具有初始权值随机化、学习率和邻域难以确定等缺陷,并且作为一种聚类算法,难以直接进行监督分类.对Kohonen非监督学习算法进行改进,用最大最小距离法确定初始权值,利用权值误差作为网络训练收敛条件,并将Kohonen算法与奖惩...     

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.