一种新的分级混合聚类法

为了克服模糊聚类算法的不足．提出了一种新的分级混合聚法，利用自组织神经网络对数据初步进行特征提取．再利用基于熵的聚类算法进行聚类。从而既提高了聚类过程的效率，又保证了聚类结果的有效性．     

一种基于SOM的中文文本两阶段快速聚类方法应用研究

研究了一种基于自组织神经网络的中文文档聚类方法，按照提出的中文聚类模型，该方法首先对文档进行SOM训练产生初步的聚类结果，然后对第一次聚类结果进行基于参考点和密度的快速聚类，理论分析和实验结果也证明了该方法适合高维中文文档的聚类，与直接聚类方法相比，该方法提高了聚类的效果，减少了计算时间。     

基于减法聚类的自适应模糊神经网络的短期负荷预测

论述了基于减法聚类的自适应模糊神经网络（ANFIS：adaptive neuro—fuzzy inference system）的短期负荷预测方法．利用减法聚类的方法确定了自适应模糊神经网络的结构,再结合最小二乘估计法和反向传播算法对参数进行训练．向训练好的自适应模糊神经网络输人相关的影响因素数据进行预测．预测结果显示,自适应模糊神经网络能比人工神经网络获得更高的预测精度和耗费更少的训练时间,所以有更好的使用价值．     

轴承故障的模糊聚类方法

介绍了模糊聚类方法的原理及FCM算法，并将它应用于少故障类别的轴承故障诊断，取得了良好的效果，与神经网络方法相比，模糊聚类方法的实现只需少量样本，克服了神经网络方法需要大量样本来实现的瓶颈．     

基于网格和密度的聚类神经网络结构优化

针对聚类神经网络初始权值与样本分类数的设定问题,提出一种基于网格和密度的聚类神经网络结构优化算法.以网格和密度为工具提取聚类样本的聚类中心,并由此确定样本分类数,从而对聚类神经网络结构进行优化,可以有效地提高神经网络的聚类效果,缩短样本聚类时间.     

医学图像分割的神经网络方法

给出了一种基于自组织聚类神经网络的图像分割算法．针对聚类中心初始值选取的盲目性,提出了初始值优选法,大幅度提高了分割算法的速度．实验表明,文中提出的算法能快速、准确地分割医学图像,将原始照片中不易分辨的病灶清晰地呈现出来．     

一种基于自组织神经网络的彩色图像分割方法

提出了1种基于自组织神经网络的彩色图像分割方法．它首先在空间-颜色联合域内利用自组织神经网络对图像进行聚类，再结合区域生长的方法和区域邻接列表，对图像中的相似颜色区域进行合并，并去除像素数量较少的小区域，从而得到最后的分割结果．在聚类后的图像上进行分割，可以较好的把1个物体对象只表示为1个或少数几个分割区域，明显减少对象物数目，较好地克暇了传统区域生长方法的过分割问题。     

地质数据的神经网络聚类分析

提出了用发现聚类结构的神经网络对地质数据进行聚类分析，基于神经网络的聚类分析方法通用性强，运算速度快，为地质数据的聚类分析提供了新方法。     

基于OCA客观聚类的RBF神经网络的研究

影响RBF神经网络性能的关键因素是基函数中心的选取,而目前尚没有可靠的方法选取RBF神经网络的中心。基于GMDH理论的OCA客观聚类具有能够自动确定最优聚类个数的优点。将OCA聚类应用于RBF神经网络中,用以自适应确定隐节点数目和各径向基函数中心,克服了传统RBF网络不能客观确定隐节点数目的缺点。实验仿真结果表明,基于OCA客观聚类的RBF神经网络具有自适应性、正确率高和训练速度快的优点。     

基于Kohonen网络对万向接轴裂纹的诊断

利用神经网络中的Kohonen网络聚类的特点，把轧钢机万向接轴裂纹故障不同的关联度作为Kohonen网络的训练样本输入到Kohonen网络，并由网络进行学习和聚类．由于裂纹深度不同，裂纹故障的关联度不同，于是网络便产生不同的聚类中心点．根据不同的聚类中心，可以很明确地诊断万向接轴裂纹的故障程度．     

应用聚类和模糊神经网络设计模糊系统

基于聚类技术和一类模糊神经网络提出一种设计模糊系统的混合方法,通过一个无监督的聚类算法自组织地确定模糊规则的数目及生成一个初始的模糊规则库,构建一类模糊神经网络,通过调整网络的权值,使规则库中的参数更加准确,并以函数逼近问题为例验证了该方法的有效性。     

双层聚类模型在日志数据分析中的应用

提出了一种基于自组织特征映射( SOM)神经网络和模糊c-均值( FCM)的双层聚类方法,对Web日志中的日志数据集进行聚类。第一层是无监督SOM神经网络聚类方法,它所产生的类的个数大大减少了原始数据集的个数,降低了FCM对类初始中心点的依赖;然后利用FCM聚类算法的优势对第一层中产生的类的中心点进行聚类,从而大大减少了聚类的时间复杂度;最后通过平行坐标技术可视化展示聚类前后的日志数据集,方便对日志数据进行分析。     

基于网络聚类选择的神经网络集成方法及应用

面向农作物精准施肥量确定问题,提出一种基于复杂网络聚类选择的神经网络集成方法。在该方法中,首先采用回放取样方法来生成多个神经网络个体,其次利用网络聚类算法FEC从这些神经网络个体集中选出部分个体,再次对选出的神经网络个体分别用线性加权方法和非线性方法进行集成,最后对两个集成结果进行融合得到预测结果。于2008年在吉林省榆树玉米试验田七号地对该方法进行了应用。实验结果表明:该方法不仅优于传统的施肥模型、神经网络线性加权集成和神经网络非线性集成方法,而且还具有较强的泛化能力。     

基于聚类分析的人工神经网络洪水预报模型研究

应用模糊C均值(FCM)和自组织映射网络(SOM)两种方法将洪水流量过程线进行分解,并聚成不同的类别,结合多层前馈神经网络(MFN)建立了两个综合神经网络模型(FCMMFN和SOMMFN),进行洪水预报。在王家厂水库流域洪水预报的应用结果表明,两种聚类方法能够将流量过程分解为具有不同内在规律的若干过程,两种综合神经网络模型预报精度均优于单一的多层前馈网络模型,而且FCMMFN的精度高于SOMMFN。     

模糊聚类网中多对一映射的实现

分析了模糊聚类网实现多对一映射的两种方式：有监督和无监督,给出了实现这两种方式的网络模型：自适应模糊信要成聚类网和二次模糊聚类网。     

集散监测诊断系统研究

从故障诊断的实际出发,根据设备提供信息的多样性及故障表征形式的复杂性,分析了信 息领域的信息融合技术．阐述了故障诊断过程和与其相关的应用技术的关系．说明了集成神经网络 故障诊断方法和集散监测诊断系统的特点．建立了基于集成神经网络的集散监测诊断系统．用两 个故障诊断实例说明了基于集成神经网络的集散监测诊断系统的先进性．     

基于RBF神经网络的交通流量预测算法

传统的径向基函数神经网络构造算法大多是根据先验知识和以往的经验事先确定网络的隐层结构,采用传统聚类和最小二乘法训练网络的各项参数,这种算法一般是基于局部搜索机制,使得训练的参数往往陷入局部极小值.提出用遗传算法结合一种新的聚类方法即最疏集（MSS-most scattered set）均值聚类算法和传统的最小二乘法来训练RBF（radial basis function）网络结构参数的方法.该方法不仅避免了网络训练陷入局部极小的问题,而且新的聚类方法的计算效率有所提高.通过把该算法应用在交通流预测方面,取得了令人满意的效果.     

An elasto-plastic constitutive model of moderate sandy clay based on BC-RBFNN

Application research of neural networks to geotechnical engineering has become a hotspot nowadays.General model may not reach the predicting precision in practical application due to different characteristics in different fields.In allusion to this,an elasto-plastic constitutive model based on clustering radial basis function neural network(BC-RBFNN) was proposed for moderate sandy clay according to its properties.Firstly,knowledge base was established on triaxial compression testing data;then the model was trained,learned and emulated using knowledge base;finally,predicting results of the BC-RBFNN model were compared and analyzed with those of other intelligent model.The results show that the BC-RBFNN model can alter the training and learning velocity and improve the predicting precision,which provides possibility for engineering practice on demanding high precision.     

动态分布参数神经网络及其稳定性分析

文中将Ｈｏｐｆｉｅｌｄ型有限状态空间动态神经网络推广到无穷维状态空间动态神经网络，即动态分布参数神经网络（ＤＤＰＮＮ），并给出了它们的有界性和稳定性，尤其是，还研究了带有微分算子的多维分布参数神经网络的时空稳定性以及在保证稳定性情况下所应满足的边界条件，文中从理论上完善和发展了动态神经网络。     

基于综合算法的补偿模糊神经网络建模方法

针对常规模糊神经网络和补偿模糊神经网络的不足,提出了一种综合聚类算法和梯度下降法的补偿模糊神经网络。该网络的学习分为两步:结构辨识和参数辨识。在结构辨识中,采用关系度聚类方法,自动地划分输入/输出空间,确定模糊规则的数目及每条规则中前提部分和结论部分的初始参数,即构造一个初始模糊模型;在参数辨识中,采用具有五层结构的补偿模糊神经网络,并根据梯度下降法调整所建的初始模糊模型参数,使其具有更高的精度。通过对一非线性系统的建模,仿真结果表明,该网络在建模精度和收敛速度上均优于常规模糊神经网络和补偿模糊神经网络。