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.     

基于类内最小相似度自组织映射算法及其在储层预测中的应用

为了解决自组织映射(Self-organization map,SOM)神经网络算法部分神经元过度利用和欠利用的问题,提出基于类内最小相似度的SOM算法(SOM based on intraclass minimun similarity degree,SOM-IMSD),将类内相似度这一评价指标引入SOM神经网络学习过程中,通过调整类内最小相似度来指导SOM神经网络学习,使得平均类内最小相似度最大,提高SOM神经网络的聚类结果质量.将SOM-IMSD算法应用于储层预测,并与基本SOM算法进行对比,实验结果表明,SOM-IMSD算法的聚类结果更为准确.     

一种改进的立体图像编码算法

为了提高左图像的编码效率,提出了一种新的基于自组织神经网络的立体图像编码算法(SOM VQ DE),SOM-VQ DE算法对右图像采用视差估计补偿技术(DE)编码,对左图像则使用基于自组织特征映射算(SOM)的矢量量化编码来取代传统的JPEG方法,矢量量化与视差估计的残差均使用DCT 霍夫曼进行编码.对立体测试图像Pentagon的实验表明,SOM VQ DE算法能够有效地提高左图像的压缩效率:1)在压缩比均为6.5.1时,SOM VQ DE算法的PsNR较JEPGqG DE算法提高了2.42 dB;2)在PsNR均为30 dB时,SOM VQ DE算法的压缩比改善是JPEG DE算法的1.8倍.     

基于改进的自组织映射网络的化工过程故障分类辨识

将自组织映射网络(SOM)应用于化工过程故障数据的分类辨识,并采用粒子群优化(PSO)算法优化权重失真指数(LW D I),代替SOM的启发式训练算法,形成粒子群优化的SOM(PSO-SOM)分类算法。以某工厂甲醇合成反应器数据为研究对象,研究结果表明:对比基本SOM算法,PSO-SOM算法对复杂的故障数据能够得到较优的分类辨识结果,对甲醇合成生产中的故障诊断有非常显著的指导作用。     

一种改进的SOM神经网络在污水处理故障诊断中的应用

自组织映射(SOM)神经网络初始权值的选取对神经网络的性能有重要的影响。采用改进的帝国竞争算法(IICA)优化局部权重失真指数(LWDI)寻优SOM神经网络的初始权值;利用改进后的SOM神经网络(IICA-SOM)对污水处理过程数据进行聚类和故障诊断。实验结果表明,与传统的SOM算法相比,IICA-SOM算法取得了更好的聚类效果,且故障诊断的误诊率更低。     

基于SOM改进的K-Means聚类算法

随着网络技术和相关学科的发展,入侵检测技术日趋成熟.对SOM算法和K-Means算法进行了具体的分析,提出了一种基于SOM和K-Means的使两类算法优点相结合并克服各自不足的聚类算法,提高了聚类信息的精确度、对攻击的识别率和系统的整体性能.     

基于自组织映射和生物地理优化的聚类算法

针对传统生物地理优化算法(bio-geographic optimization algorithm,BBO)的种群随机初始策略会降低聚类算法性能的问题,提出了一种基于自组织映射算法(self-organization feature map,SOM)和BBO的混合聚类算法(improved SOM and bio-geography optimization,ISOMBBO),通过优化初始化神经元权值的方法改进SOM算法,然后以改进的SOM来计算数据聚类的初始簇中心,最后在BBO优化框架下进行数据簇结构的寻优.在4个标准数据集(Iris、Wine、Glass与Diabetes)的实验中,实验结果表明该算法不仅提高聚类的有效性,而且相对于传统的优化算法具有更好的优化能力和收敛度.     

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.     

基于方差分类初始化码书的三维邻域SOM算法

针对自组织特征映射算法用于图像矢量量化存在的问题,为了提高矢量量化码书的性能,提出基于方差分类初始化码书的三维邻域SOM算法,通过对三维邻域SOM算法中的初始化码书算法进行改进,建立了基于方差分类的初始化码书算法.实验表明,用该算法设计图像矢量量化码书具有码矢利用率高、码书的性能好等优点.     

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.     

一种新的基于自组织映射的流形学习算法

针对自组织映射(Self-Organizing Map,SOM)算法在进行流形学习时容易陷入局部极值和产生"拓扑缺陷"问题的原因,提出了一种新的基于SOM的流形学习算法:TO-SOM(Training Orderly-SOM).根据流形的局部欧氏性,TO-SOM算法从一个局部线性或近似线性的数据子集出发,按照数据的内在流形结构对其进行有序训练,可以避免局部极值、克服"拓扑缺陷".根据SOM算法的鲁棒性,TO-SOM算法在成功学习数据内在流形结构的同时,对邻域大小参数和噪声也不像ISOMAP和LLE等现有流形学习算法那样敏感,从而更容易得到实际应用.     

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Gabor小波及神经网络的掌纹识别研究

提出了基于自组织映射(Self Organization Map,SOM)、反向传播(Back propagation NctWork,简称BP网络)复合神经网络的掌纹识别算法,算法首先对预处理后的掌纹图提取Gabor小波特征,利用PCA降维后送入SOM网络进行粗分类,进一步利用Bp神经网络进行细分类.在Poly-U掌...     

基于SOM的产品设计结构模块划分及其评价

针对数值型设计结构矩阵(DSM),提出采用自组织映射(SOM)算法的产品设计结构模块聚类方法。该方法将DSM中的信息经过初始化后作为SOM网络的输入层,然后通过训练SOM神经网络模型获得聚类方案。文中还提出了综合考虑模块内聚性和耦合性并且适用于数值型DSM的聚类效果评价指标。案例分析表明,与DSM经典算法相比,本文提出的聚类方法和评价指标能够优化产品设计模块划分。     

SOM的聚类算法研究

自组织特征映射神经网络SOM（Self Organizing Feature Maps）作为一种优良的聚类工具,具有无需监督,能自动对输入模式进行聚类的优点,已经得到了广泛的应用．针对SOM可能出现“死结点”现象,文章引进了“良心”算法,实例证明是有效的．     

基于改进BBO的Web文本聚类算法

针对生物地理优化算法(Biogeography-Based Optimization,BBO)随机初始化以及轮盘迁移机制等不足,结合自组织神经网络算法(Self-Organizing Map,SOM),提出了一种用于Web文本聚类的改进BBO算法(Improved Biogeography-Based Optimization,IBBO).该算法引入SOM改进BBO栖息地随机初始化策略,并结合局部优化思想提出了一个基于梯度下降贪心搜索(Gradient Descent Search,GDS)的新迁移算子.真实数据集Reuters-21578的实验结果表明IBBO算法具有良好的聚类有效性,能更好地对Web文本进行聚类.     

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Kohonen神经网络的故障诊断方法

针对传统故障诊断技术的不足,提出一种基于Kohonen神经网络的故障诊断方法,其使用一种由邻域函数决定权重调整程度的改进SOM算法进行学习,避免基本SOM算法中调整权重前的邻域判断过程,有利于提高网络的学习速度和自适应性.以齿轮故障诊断为例进行Matlab仿真实验,实验结果表明该方法不但可行,而且诊断速度快、准确率高.     

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.     

基于自组织映射与概率神经网络的增量式学习算法

为解决传统学习算法不能有效利用新可用数据这一不足,提出一种基于自组织映射(SOM)和概率神经网络(PNN)的增量式学习算法——增量式模块化自组织映射概率神经网络(IMSOMPNN)。使用模块化SOM对每类训练数据进行学习,以训练后SOM的原型向量作为此类别的模式神经元来构建PNN。IMSOMPNN可以方便地实现对不同类型的新数据进行增量式学习,并且在进行增量学习时,不再需要利用到原始的训练数据,仅使用新的数据对已有模型进行局部调整;最后,IMSOMPNN还具有较强的抗噪能力。在UCI Landsat Satellite数据集上的实验验证了该文所述方法的有效性。