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.     

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．     

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.     

基于粗糙集和自组织神经网络的聚类方法

自组织神经网络在学习过程中采取竞争机制选取最优匹配神经元获胜,然而实际情况可能有一组神经元都非常匹配输入向量。引入粗糙集的上近似与下近似理论,选择一组最匹配神经元获胜。实验证明基于粗糙集和自组织神经网络的聚类算法,较之传统的自组织神经网络聚类算法聚类结果更平均,死神经元更少,是一种良好的聚类算法。     

基于粒子群优化和SOM网络的聚类算法研究

利用改进的粒子群优化算法(PSO)的优化性能,结合SOM网络模型,提出了一种基于粒子群优化算法和SOM网络的聚类算法(PSO/SOM),使用PSO对SOM网络进行训练来代替SOM的启发式训练方法.将PSO/SOM算法用于对Wine和Iris等数据集进行模式聚类识别,可以得到较优的聚类识别效果.相比标准SOM算法能有效提高网络映射的准确程度,降低网络的量化误差和拓扑误差,同时也降低了错聚率,实验结果验证了本算法的有效性.     

自组织竞争人工神经网络在聚类问题中的运用

本章以自组织竞争人工神经网络为工具 ,对全国各省的公路交通运输发展现状水平进行了聚类分析。此分类对各省发展制定下一阶段发展战略具有一定的全局指导性。通过直截利用人工神经网络中的工具箱函数 ,进行编程 ,能迅速得到正确、简明的结果 ,说明了自组织竞争型人工神经网络用于解决分类问题的正确性     

基于自组织神经网络SOM和K-means聚类算法的图像修复

近来自然图像的修复已经成了一个热门话题.提出了一种基于K-means聚类算法的自组织神经网络(SOM),称为SOM-K.它首先利用SOM来训练每一个像素的特征向量,并把一幅图像分层.这样就能把每个破损像素分到每层,同时SOM训练后的输出也通过K-means聚类算法来聚合,分别在各个层中修复破损的像素.最后把修复好的各层溶合到一起.与单独使用SOM相比,SOM-K具有更精确的分类能力.     

自组织特征映射神经网络及其在地层压力剖面聚类中的应用

文章分析了Ｋｏｈｏｎｅｎ的自组织特征映射神经网络的基本特征,讨论了实际应用的技术问题,并给出了算法。将该方法应用于川东地区地层压力剖面分类,结果令人满意。     

基于社会关系网络聚类的竞争情报系统

企业竞争情报系统为企业决策者制定企业发展规划等提供了重要情报,具有重要的商业价值.但是现有竞争情报系统忽略了系统自身的可持续性发展和改进需求.文章通过建立信息源之间的社会关系网络,并设计聚类算法发现各信息源之间存在的社会关系,为企业决策者制定竞争情报系统的可持续性发展计划提供可靠信息.     

用聚类-分类模式解决聚类问题

分类和聚类都是常用的数据挖掘方法,分类的优点是准确率较高,但需要带有类别标注的训练集;聚类不需要训练集,但准确率较低。提出一种聚类-分类模式来解决聚类问题,首先通过聚类方法自动形成训练集,然后在训练集的基础上进行分类操作。实验数据表明,提出的聚类-分类模式能够有效提高聚类的准确率。     

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。     

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．     

基于树型增长神经网络模型的遥感图像聚类

通过对天津海岸带遥感图像的研究，提出了基于树型增长神经网络模型的遥感图像聚类方法。该方法申神经模型的网络结构在训练过程中动态生成，用户可根据需要实现层次聚类，同时可以通过调节扩展因子SF的大小调节聚类的速度和精度，从而提高了聚类的精度和灵活性。     

基于自组织特征映射神经网络的数字模式识别

在分析自组织特征映射(SOFM)神经网络基本学习算法的基础上．从提高算法收敛速度和性能出发．提出了一种改进算法：随机选择样本输入次序；根据实际应用并结合专家经验确定初始连接权值；采用高斯函数作为拓扑邻域函数；将算法分成排序和收敛两个阶段。并分别采用不同的学习率和邻域函数．采用改进后的SOFM算法对输入样本进行自组织聚类，再利用学习矢量量化(LVQ)算法解决样本分类中的交迭问题。提高了分类精度．仿真实验结果表明．该网络能够识别常用的数字(0～9)和英字母．特别是在有噪声污染的情况下．可以获得较好的效果。     

基于自组织特征映射神经网络的短期负荷预测

提出了一种基于自组织特征映射神经网络(Kohmonen网络)的短期负荷预测方法，根据Kohonen网络的聚类特性，样本在输入时就已分好类。输入既有与负荷曲线平滑性有关的数据又有反映负荷周期性变化的数据。在学习训练时，区别于普通的无监督竞争学习采用有监督竞争学习方式，缩短了学习时间，提高了学习精度。实例分析征明了该方法的有效性。     

基于特征选择和聚类的分类算法

针对目前特征选择算法应用于数据分类精度不理想的问题, 提出一种基于最大相关最小冗余的特征选择算法, 该算法结合特征选择算法和聚类分析算法对特征进行处理, 将分类中冗余的特征去除. 利用支持向量机对一组心脏病患者实际测量得到的数据进行分类实验, 实验结果表明, 该方法可有效筛选影响分类的特征, 进而提高分类准确率.     

基于自组织特征映射的移动传感器网络控制

针对概率型感知模型的移动传感器网络中覆盖区域为时变的情况,提出了一种基于自组织特征映射的实时覆盖算法.其中自组织特征映射依据实时采样的样本点来对覆盖目标区域进行拓扑映射,并依据多智能体系统中的一致性控制算法使移动传感器载体形成预定编队,完成覆盖任务.最后通过实验仿真验证了该算法的优良性能.     

基于多尺寸特征图卷积方法的玉米雄穗检测

为了解决传统雄穗检测方法因玉米品种不同以及田间环境不同导致的检测误差较大、鲁棒性较差的问题,利用深度卷积神经网络提取特征,并对多尺寸特征图卷积的方法检测玉米雄穗。采用深度卷积神经网络inception作为基础网络来训练提取玉米雄穗特征,同时增加额外的卷积层对图像进行卷积提取特征,最后分别对基础网络中的两层卷积层以及额外的卷积层卷积得到的不同尺度特征图进行分类和位置回归。整体网络结构是多尺度端到端框架,效率高,方便检测不同尺度的雄穗。实验结果表明,此方法提高了雄穗检测的速度和准确率。