自组织特征映射神经网络——用于茶叶分类

介绍了自组织特征映射神经网络的结构和算法 ,将其用于中国茶叶的分类 ,并和传统方法进行了比较。认为组织特征映射神经网络优于传统方法。     

利用自组织特征映射神经网络进行可视化聚类

自组织特征映射作为一种神经网络方法,在数据挖掘、机器学习和模式分类中得到了广泛的应用。它将高维输人空间的数据映射到一个低维、规则的栅格上,从而可以利用可视化技术探测数据的固有特性。该文说明了自组织特征映射神经网络的工作原理和具体实现算法,同时利用一个算例展示了利用自组织特征映射进行聚类时的可视化特性,包括聚类过程的可视化和聚类结果的可视化,这也是自组织特征映射得到广泛应用的原因之一。     

基于自组织特征映射神经网络的图像压缩

简要介绍了基于自组织特征映射(SOFM)神经网络的图像压缩的传统算法。通过对传统方法的优缺点分析，提出了一种新的简单的矢量量化压缩方法。新算法采用分类码书设计和残留编码，大大提高了图像的客观指标和主观视觉效果。实验表明此方法明显优于传统的SOFM算法，而且易于硬件实现。     

自组织特征映射网络在故障诊断中的应用

运用自组织特征映射神经网络的工作原理和具体实现算法进行故障诊断分析,在对已有神经网络聚类分析方法概括和总结的基础上,结合实验数据、仿真数据对自组织特征映射算法故障模型诊断进行研究,得出了有意义的结论.     

基于自组织神经网络的故障诊断

利用自组织神经网络对诊断对象的周期性振动信号进行处理，根据其映射特性和聚类特性，将振动信号映射到自组织网二维输出平面上。根据其映射点在输出平面上的位置，判断振动是否正常及其类型，使故障诊断简单化和直观化。     

基于潜在语义分析和自组织特征映射神经网络的文本聚类研究

基于潜在语义分析和自组织特征映射神经网络（LSA—SOM）,本文提出一种文本聚类方法。采用潜在语义分析的理论表示文本特征向量,以体现特征词的语义关系并实现特征向量的降维。利用SOM网络算法进行无监督自组织学习,并通过不断调节网络节点间的权向量来实现文本聚类。该方法不必预先给定聚类个数,可以在任意合适的位置生成一个新的类,克服传统方法中文本种类需要预先给定的缺点。     

基于自组织特征映射神经网络的土壤分类

人工神经网络中的自组织特征映射网络具有较强的聚类功能,将自组织特征映射神经网络模型应用于土壤分类,提取影响土壤分类的七个理化因子,根据19个土壤样本建立神经网络,最后验证10个土壤样本的分类结果是否正确。分析结果表明,这种方法是十分有效和方便的。同时,本文对分类结果进行分析和讨论,指出利用该模型强大的学习功功能及很好的自适应性、自组织性和鲁棒性可以为土壤分类提供一种快速、准确的信息处理手段。     

基于自组织特征映射的图像压缩技术

计算机人工神经网络技术提供了新的图像压缩方法。自组织特征映射人工神经网络就能够用于图像的有损压缩。通过将图像分成若干小块,然后使用神经网络进行训练达到特征向量自动聚类,从而将这若干个图像块分成不同的类,其类别个数远小于图像块的个数,最后使用一个映射表保存这些信息。该方式,将图像中相同或者非常相似的部分归为一类,降低了信息冗余度,从而可以进行图像的有损压缩。该方法采用了计算机神经网络,有比较好的适应性,能够方便的和其它压缩技术结合实现效果更好的混合压缩,具有良好的推广价值。     

基于自组织特征映射的网页分类研究

本文提出了一种SOFM（自组织特征映射）与LVQ（学习矢量量化）相结合的分类算 法，利用一种新的网页表示方法，形成特征向量并应用于网页分类中．该方法充分利用了SO FM自组织的特点，同时又利用LVQ解决聚类中测试样本的交迭问题．实验表明它不仅具有较 高的训练效率，同时有比较好的查全率和查准率．     

基于粒子群优化的自组织特征映射神经网络及应用

采用粒子群优化(PSO)算法优化权重失真指数(LW D I),提出了基于粒子群优化的SOM(PSO-SOM)训练算法.用该算法取代K ohonen提出的启发式训练算法,同时引进核函数,以加强PSO-SOM算法的非线性聚类能力.以某工厂丙烯腈反应器数据为聚类应用研究对象,研究结果表明,与启发式训练算法相比,PSO-SOM算法能够得到较优的聚类,而且该算法实现简单、便于工程应用,对丙烯腈反应器参数调整以及收率监测具有显著的指导作用.     

基于自组织神经网络的多传感器遥感图像融合技术

多传感器遥感图像融合是一种遥感信息综合分析与处理的技术,其研究正成为遥感学科领域的热门课题之一。利用自组织特征映射神经网络具有较好的聚类特性,对多源遥感图像进行高水平的分类与融合。通过对GMS 5卫星图像融合前后性质的比较和融合质量的评估,不难发现:融合后的图像不论在视觉效果上还是在噪声特性上都有了很大的改善。     

一种结构自适应的径向基函数神经网络

提出了一种新的结构自适应的径向基函数(RBF)神经网络模型。在该模型中,自组织映射(SOM)神经网络作为聚类网络,采用无监督学习算法对输入样本进行自组织分类,并将分类中心及其对应的权值向量传递给RBF神经网络,分别作为径向基函数的中心和相应的权值向量;RBF神经网络作为基础网络,采用高斯函数实现输入层到隐层的非线性映射,输出层则采用有监督学习算法训练网络的权值,从而实现输入层到输出层的非线性映射。通过对字母数据集进行仿真,表明该网络具有较好的性能。     

量型图像分类神经网络改进研究

当前普遍使用的轻量型神经网络仍然存在计算量与参数量过大的问题,导致算力较低的廉价移动设备无法快速完成图像分类任务.针对此问题提出了一种更适合于应用在算力较低的廉价移动设备上的轻量型神经网络,引入了代价较小的线性操作与特征图合并操作用于减少神经网络的计算量与参数量,还引入了改进的残差结构、注意力机制和标签平滑技术用于提高结果判断的准确率.基于PD-38数据集的实验表明,该神经网络相比传统的轻量型神经网络使用较小的计算量与参数量可以达到较高的分类准确率.在公共数据集CIFAR-10上的实验进一步表明该神经网络具有通用性.     

自组织多模型逼近性能分析与改进

针对基于自组织映射神经网络的非线性函数逼近,研究其方法和原理,指出它与一般前向神经网络在逼近原理上的不同．在此基础上,进一步研究该方法的逼近性能,分析其两个不足之处,进而提出一种提高逼近性能的改进神经网络训练策略．最后通过仿真实例验证了所得结论,表明了改进方法的有效性．     

基于自组织神经网络的QRS波聚类方法

为提高查看大量数据动态心电(ECG)图时的效率,将波形聚类,采用埃尔米特函数和自组织神经网络,实现了室性早搏占比高情况下的心电波形聚类算法.使用MIT-BIH心率失常数据库,利用埃尔米特函数分解QRS波形为QRS向量,将所有QRS向量输入自组织神经网络进行分类.使用特征向量元素分析聚类结果,用阳性率指标对结果进行统计,平均真阳性率为91.2％,假阳性率为1.03％,验证了基于自组织神经网络的心电聚类算法的有效性.达到了将正常心搏和室性早搏心搏聚类的目标.     

结合聚类思想神经网络文本分类技术研究*

针对传统的基于神经网络文本分类算法收敛速度慢等缺点,在分析了文本分类系统的一般模型,以及在应用了互信息量的特征提取方法提取特征项后,提出了一种基于样本中心的径向基神经网络文本分类算法;并引入了聚类算法的核心思想,改进误差反向传播神经网络分类算法收敛速度较慢的缺点。实验结果表明,提出的改进算法与传统的BP神经网络分类算法相比,具有较高的运算速度和较强的非线性映射能力,在收敛速度和准确程度上也有更好的分类效果。     

Intravascular ultrasound-based tissue characterization using modular network self-organizing map

The intravascular ultrasound-based tissue characterization of coronary plaque is important for the early diagnosis of acute coronary syndromes. The conventional tissue characterization techniques however cannot obtain sufficient identification accuracy for various tissue properties, because the feature employed for characterization are static features, which lack dynamical information about backscattered radio-frequency (RF) signals.In this work, we propose a new intravascular ultrasound-based tissue characterization method that uses a modular network self-organizing map (mnSOM) in which each module is composed of an autoregressive model for representing the dynamics of the RF signals.The proposed method can create a map of various dynamical features from the RF signal. This map enables generalized tissue characterizations. The proposed method is verified by comparing its tissue characterization performance with that of the conventional method using real intravascular ultrasound signals.     

基于样本自组织聚类的BP神经网络预测模型

根据实际应用中神经网络训练样本通常具有内在特征和规律性,提出一种基于样本自组织聚类的BP神经网络预测模型。通过自组织竞争网络的聚类特征,改善样本训练对BP网络性能的影响。BP神经网络采用收敛速度较快和误差精度较高的动量—自适应学习速率调整算法。并通过基于这种模型的空气质量预测实验,表明基于样本自组织聚类的BP神经网络预测模型首先会提高收敛速度,其次会减少陷入局部最小的可能,提高预测精度。     

The Kohonen self-organizing map: an application to the study of strategic groups in the UK hotel industry

This paper examines a neural network method known as the self-organizing map (SOM). The motivation behind the SOM is to transform the data to a two-dimensional grid of nodes while preserving its 'topological' structure. In neural network terminology this involves unsupervised learning. The nearest related statistical technique is cluster analysis. We employ the SOM in the task of identifying strategic groups of companies, using data which relate to the generic strategies suggested by Porter. Following identification of different groups of hotels with certain strategic emphases, the study investigates correlations between strategies followed and hotel performance. We compare and contrast the 'feature map' generated by the SOM with the results of a standard cluster analysis using the k-means method. The data also cover performance indicators and the results indicate that performance varies between strategic groups.     

基于最优权重的神经网络集成文本分类研究

将神经网络集成思想引入 Web文本分类领域 ,提出了利用最小估计误差策略进行最优加权网络集成的方案。具体做法是根据各网络的分类性能、各网络同其他网络的相关程度给每个网络的后验概率估计赋予不同的权值 ,通过加权平均提高后验概率估计的准确程度 ,进而提高分类率。英文数据库的实验结果表明 ,与经典的 Bayes模型、 kNN模型相比 ,该模型具有更高的分类精度与更快的分类速度。