基于SOM网络的基因表达数据聚类分析

提出了用自组织映射(SOM)网络对生物信息学中基因表达数据进行聚类分析的方法。用SOM网络对酵母基因表达数据进行聚类。通过对映射结果的分析,表明SOM网络有较高的分类正确率,用于基因表达数据的聚类分析是行之有效的。     

基因表达模式分析及软件系统

研究和实现了4种基因表达模式的聚类方法，开发了基因表达模式分析软件系统．该软件包含了两两平均连锁聚类法、系统聚类法、自组织特征映射法和模糊聚类等聚类算法，其中模糊聚类算法是首次用于基因表达模式分析．该软件同时具有数据过滤、多种相似性度量选择、聚类方法选择和结果可视化等功能．对于同一组基因表达数据，可通过不同的聚类算法的组合，提供更多的基因分类信息，为生物体复杂的基因表达模式研究提供了一个重要的综合分析平台．     

协同设计中约束信息的可视化映射研究

文章通过对约束信息的归类和分析,提出了约束信息可视化的映射方法,包括可视化结构映射、可视化空间映射、可视化元素映射及可视化属性映射4个步骤,分别分析了4个步骤实现方法及一般准则,采用协同设计中的层次约束、任务约束、部件约束为实例,实现了由约束信息到可视化方式的映射,并给出了映射的可视化结果.     

基于降维的聚类可视化技术

基于降维或映射技术的聚类结果可视化技术提供了在二维或三维空间直观地分析数据集的聚类结构、聚类质量和分布信息的有效手段.对线性降维可视化方法、非线性降维可视化方法及映射可视化方法等进行了介绍、实例展示和讨论分析,最后对这类方法的优缺点、存在的问题和进一步的研究方向做了总结和展望.     

一种采用新的相似性度量方法的共调控基因动态模糊聚类算法

针对基因间共调控关系的特点和现有共调控基因聚类分析方法的不足,提出一种基于广义信息论中二次互信息的广义相似性度量标准QMISM,并利用免疫遗传算法将高维样本映射到二维空间,进而实现动态模糊聚类和聚类结果可视化.对人工合成数据和真实的基因表达数据的实验结果表明,该算法能得到更好的聚类结果.     

一个基于曲面结构与方向优化的实时可视化方法

提出一种基于映射曲面形式的三维映射曲面可视化方法,和传统的高度场表示采用的双变元三次多项式曲面形式相比,实网格分布数据点的可视化能够实现高精度表现,具有灵活性高,执行效率高,能够适于多样应用.最后给出了利用OpenGL图像接口的实现方法及特点分析,并给出了实验分析结果,对其运行效率进行了验证.     

基于涌现自组织映射的油气层识别及分析

当样本数多、数据维数高时,利用Kohonen自组织特征映射聚类后相邻类簇间容易发生大面积重叠,导致聚类和可视化的效果降低.利用Ultsch涌现自组织特征映射神经网络对测井数据进行聚类,而后分别通过分量图、U矩阵和P矩阵在超环面上进行可视化,并对其结果进行比较分析.该模型可克服Kohonen自组织特征映射的上述缺陷,优化聚类结果.借助该模型进行测井数据的聚类分析与可视化,可为岩性识别提供参考.     

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。     

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。     

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.     

自组织人工神经网络在矿区沉积物分类中的应用

以Matlab平台为基础,利用神经网络工具箱构建了自组织神经网络,对已知沉积相的安徽宿南等矿区的19组样本进行SOM分类,并与系统聚类分类结果进行比较;指出在无监督分类粒度分析中,SOM方法分类操作过程简便易行,具有残缺自动识别能力,分类结果惟一,可以在沉积物成因分类中应用。     

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.     

自组织特征映射网络隐含的分形机制

自组织特征映射网络(Self-organizing map,SOM)在聚类分析中具有广泛的应用,和其他神经网络一样,SOM网络具有黑箱性质,缺乏严格的理论基础,无法对聚类过程进行分析.结合复杂系统分形生长的最大流原理,本文从统计物理角度对SOM网络的自组织过程进行分析,将SOM网络隐含的分形机制挖掘出来,并以城市模式为例展示了建立在统计物理基础上的SOM网络的新的应用.     

一种基于聚类算法的网络入侵检测应用

针对网络入侵检测与聚类等问题,提出了一种综合模糊聚类与改进的SOM神经网络方法.通过对网络入侵数据提取、分析和处理,建立了网络入侵检测聚类模型,并对传统SOM网络层次进行改进,结合易发的网络入侵类型有针对性地对网络入侵数据进行聚类.网络入侵检测聚类与其他方法比较的结果表明,该模型在网络入侵检测聚类中具有更高的准确性和均衡性,该方法能有效提高网络入侵分类精度,减少聚类误差.     

粗糙集连续属性离散化的SOM网络方法

基于Rough Set理论中的不可分辨性原理,给出两个新的定义属性的最大区分值(Maximum Dis-cernibility Value,MDV)和属性冗余度(Attribute Redundancy Rate,ARR)。在数据预处理阶段,属性的MDV数值用于确定关于自组织映射网络SOM输出单元数量的启发式搜索策略;属性冗余度则用于衡量属性约简结果的信息冗余程度,并以此作为优化SOM网络输出层结构的依据。不依赖于领域经验知识,建立了MDV、SOM、ARR的组合算法模型,实现了Rough Set理论中连续属性的自动离散化计算,并明显提高了属性约简的速度。最后,通过项目实例对全过程进行有效验证。     

一种动态心电图波形聚类策略的研究

针对动态心电图波形数据量大,且具有明显个体差异性的特点,本文提出了一种新的动态心电图波形聚类策略.该策略融合了自组织特征映射神经网络、凝聚聚类和k-means算法,以达到将大量的相似心电图波形聚类的目的.实验结果表明该策略具有较好的聚类效果和较高的聚类精度.     

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．     

可拓理论与SOM网络相结合的多故障诊断方法

 针对采用SOM 网络进行多故障诊断时,要求多故障模式相似且不包含标准故障输出的限制,提出将SOM 网络与可拓理论相结合的多故障诊断方法.首先采用SOM 网络对训练样本进行聚类,得到故障模式及其聚类中心.然后针对每种故障模式的每个特征构造在聚类中心处取得最大值的关联函数,并以各特征的关联函数值为基础,设计多故障评价指标实现多故障诊断.最后采用汽轮发电机组振动信号的频谱数据对算法进行验证,结果表明该方法能够正确识别待诊断样本的单故障和多故障模式,具有可行性.