基于核的双自组织特征映射网络在预测中的应用

提出了一种基于核的双自组织特征映射网络.该网络通过同时使用两个相关的映射网络扩展了原有的自组织神经网络,针对自组织特征映射网络容易受到高噪声的影响,将核学习的方法应用于自组织映射聚类中,以核函数代替了原始数据在特征空间中映射值的内积,传统的SOM算法使用的是欧氏距离,而KSOM通过使用不同的核函数为原始空间诱导出不同的欧式距离,这样就提高了算法的鲁棒性.将改进后的神经网络用于金融时间序列的预测,其实验结果表明,改进后的神经网络具有较强的鲁棒性.     

基于代表熵的基因表达数据聚类分析方法

针对基因表达数据样本少,维数高的特点,尤其是在样本分型缺乏先验知识的情况下,结合自组织特征映射的优点提出了基于代表熵的双向聚类算法。该算法首先通过自组织特征映射网络（SOM）对基因聚类,根据波动系数挑选特征基因。然后根据代表熵的大小判断基因聚类的好坏,并确定网络的神经元个数。最后采用FCM（Fuzzy C Means）聚类算法对挑选出的特征基因集进行样本分型。将该算法用于两组公开的基因表达数据集,实验结果表明该算法在降低特征维数的同时,得出了较高的聚类准确率。     

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。     

基于自组织神经网络的彩色图像自适应聚类分割

针对一般聚类分割算法对于色彩丰富、背景复杂的图像容易造成聚类重叠,引起像素错误分类的缺点,提出一种新的基于自组织特征映射神经网络的彩色图像分割方法．首先利用各像素的RGB值作为输入样本对网络进行训练,然后根据竞争层特征映射点的密度分布图,利用自组织映射分析的方法,确定图像颜色的聚类数和聚类中心,最后利用距离竞争取胜的原则处理每个像素,从而实现彩色图像的区域分割．通过实例验证,该方法能够较好地完成彩色图像的自适应聚类分割,处理效果良好．     

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。     

基于多层自组织映射和主成分分析的入侵检测方法*

首先改进了自组织映射学习和分类算法,通过引入自定义变量匹配度、约简率和约简样本量化误差,提出了一种新的基于多层自组织映射和主成分分析入侵检测模型与算法。模型运用主成分分析算法对输入样本进行特征约简,运用分层思想对分类精度低的聚类进行逐层细分,解决了单层自组织映射分类不精确的问题。实验结果表明该模型用于入侵检测的效果良好,能准确区分攻击与否且能进一步指出攻击的具体类型。     

核自组织映射竞争聚类

基于核方法可在高维特征空间中完成数据聚类,但缺乏对原输入空间聚类中心及结果的直观刻画.提出一种核自组织映射竞争聚类算法.该算法是利用核的特征,导出SOM算法的获胜神经元及权重更新规则,而竞争学习机制依然保持在原输入空间中,这样既解决了当输入样本分布结构呈高度非线性时,其分类能力下降的问题,而且解决了Donald[1]算法导致的特征空间中的获胜神经元在原始输入空间中的原像不存在,而无法对聚类结果利用可视化技术进行解释的问题.实验结果表明,提出的核自组织映射竞争聚类算法在某些数据集中可以获得比SOM算法更好的结果.     

基于多维自组织特征映射的聚类算法研究

作为神经网络的一种方法,自组织特征映射在数据挖掘、模式分类和机器学习中得到了广泛应用.本文详细讨论了自组织特征映射的聚类算法的工作原理和具体实现算法.通过系统仿真实验分析,SOFMF算法很好地克服了许多聚类算法存在的问题,在时间复杂度上具有良好的性能.     

基于层次自组织特征映射的网络异常检测系统数据分析器

提出将层次自组织特征映射神经网络算法应用于网络异常检测,算法自顶向下逐层生成神经网络结构并细化聚类,将神经元的组织和连接方式从平面扩展到层次与平面连接相结合,大大加速了获胜神经元的搜寻过程。基于此种算法,设计并实现了网络异常检测系统中的数据分析器HSOMDA,在DARPA1999数据集上的实验表明其具有较高的检测性能和时间性能。     

基于神经网络的抽油机故障诊断

自组织特征映射网络（Self-Organization Map,SOM）是一种具有强大的自学习功能、良好的自组织性和自适应性的神经网络,能够将输入数据映射到输出神经元阵列中,并保持数据集的拓扑结构和密度分布不变。针对基于传统竞争神经网络的抽油机示功图聚类时分类精度低的缺点,对自组织特征映射神经网络的学习速率和临域的递减方式进行改进,并在Matlab环境下进行仿真验证。仿真结果表明,本文所采取的改进能有效的提高聚类的精度和准确性。     

基于SOFM神经网络的IP电话语音压缩编码设计

对自组织特征映射（SOFM）神经网络学习算法作了简单介绍。从SOFM神经网络学习算法的基本思想出发,通过研究SOFM学习算法在设计矢量码书中存在的问题,提出了一种改进算法。最后把这种算法应用在口电话语音压缩编码的参数矢量量化上。计算机仿真结果表明,SOFM神经网络是一种训练语音码书的好工具,改进的SOFM学习算法能够大大减少训练时间,提高整个系统的性能。     

基于粗糙集理论和SOFM神经网络的聚类方法

粗糙集理论和自组织特征映射SOFM(Self-Organizing-Feature-Map)神经网络在聚类分析中有各自的优势和劣势,结合SOFM神经网络和粗糙集理论提出一种算法.该算法利用粗糙集理论的属性约简去掉样本的冗余属性,并将处理过的数据作为SOFM神经网络的训练样本,从而减小了SOFM网络的规模,因此提高了样本的聚类效率.     

自组织特征映射网络在压缩编码设计中的应用

对自组织特征映射(SOFM)神经网络学习算法进行阐述.讨论SOFM神经网络学习算法,通过研究基于SOFM学习算法的矢量码书设计中存在的问题,提出一种改进算法.最后把这种算法应用在IP电话语音压缩编码的参数矢量量化上.计算机仿真结果表明,SOFM神经网络对于语音码书训练是非常有效的,改进的SOFM学习算法能够大大减少训练时间,提高整个系统的性能.     

一种统计降维和Kohonen网络相结合的文本聚类方法

提出了一种基于词条互信息（WMI）值的统计降维和Kohonen网络（SOFM网）相结合的文本聚类方法,WMI值的方法侧重考虑文本特征项之间的互信息进行降维,可提高特征选择的效率,并使其更趋实用化。采用Kohonen网络进行文本聚类,其学习率函数是随时间单调下降的退火函数,实验结果表明了这种结合方法较一般的降维方法得到的聚类结果具有较高的聚类精度。     

一种基于改进神经网络的高效模糊聚类算法

针对利用自组织特征映射(SOFM)神经网络进行模糊聚类时出现的一些问题,提出改进结构的神经网络,采用自适应的聚类初值,能够实现高维数据和任意形状族的聚类,与具有同样聚类效果的其他算法相比,具有较低的时间复杂度。仿真实验结果表明,该聚类算法比单个的神经网络聚类算法和同类其他算法更有效。     

Kohonen SOFM神经网络及其演化研究

Kohonen SOFM神经网络广泛地应用于模式聚类、模式识别、拓扑不变性映射等方面。从KohonenSOFM神经网络结构和聚类算法入手，对其演化网络进行了比较分析，并从聚类算法性能的角度给予了综述。最后针对网络结构和算法的不足，指出了需进一步研究的方向。     

基于非监督学习神经网络的自动调制识别研究与实现

以非监督学习神经网络为主要研究对象,描述自组织网络的基本模型,分析传统自组织网络的训练算法,提出了一种基于自组织特征映射SOFM(Self-Organizing Feature Map)神经网络的通信信号自动调制识别方法。方法改进了训练算法中的学习率函数和邻域函数,提高了算法的收敛速度和性能,并将其应用在通信信号调制识别中。仿真实验检验基于SOFM神经网络的调制识别方法的性能,并与后向反馈(BP)神经网络加以比较,结果表明SOFM神经网络的调制识别方法具有较高的识别精度,改进后的训练算法提高了识别的有效性。     

SOFM模型在杂草图像识别中的应用

针对在杂草图像分割方面存在使用阈值分割需要选择分割阈值、图像分割精度不高等不足,本文结合超绿特征分割算法和SOFM网络,构造出一种杂草图像识别模型——G-SOFM空间聚类模型。该方法是一种无监督学习方式,不需要指定阈值,利用网络自组织、自竞争的特性,实现对杂草图像的分割。在对图像进行超绿特征处理之后,使用超绿特征的灰度和归一化两个特征向量,实现SOFM空间聚类。实验结果表明,改进的G-SOFM方法相比其他三种杂草图像分割算法的分割结果都有一定的提高,分别比HIS阈值分割、超绿特征分割、双阈值分割提高28%、20%、21%。本算法结合后期形态学去噪后,识别正确率可达94%。     

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。