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。     

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。     

基于自组织神经网络的城市功能分区研究

城市功能分区是指运用有关模型和方法，使城市空间形成明确的功能单元和有序的空间结构，空间聚类是城市功能分区的一种常用方法。基于自组织映射神经网络，该文提出了一种组合式的城市功能区聚类方法，根据位置-属性一体化思想，综合考虑了影响城市功能分区的位置数据和属性信息，对城市功能区进行空间聚类计算。该方法挖掘了空间位置数据和属性信息中隐含的空间聚集信息，保证了城市功能分区结果的可靠性。实例分析表明，该方法的聚类结果可以为城市功能分区提供准确、可靠的依据。     

自组织特征映射神经网络的改进及应用研究

为了提高自组织特征映射(SOM)神经网络学习速度及分类精度,对初始连接权值及竞争层神经元数的确定方法进行改进。提出用聚类方法确定初始权值的新方法,还提出了采用聚类数与邻域之和确定竞争层神经元数的方法,并给出了改进后的SOM分类算法。将改进的SOM网络用于储粮害虫分类,采用留一方法进行分类验证实验。仿真结果表明,改进后的SOM网络在学习速度和分类精度方面都有明显提高,证明了该方法的有效性。     

基于自组织竞争神经网络技术的模糊聚类研究

本文对常规模糊聚类方法进行了深入的研究，提出了一种基于自组织竞争神经网络技术的模糊聚类方法。仿真结果证明，这种方法可以有效地进行模糊聚类。     

自组织神经网络在模糊聚类中的应用研究

聚类是按照事物的某些属性，把事物分类，使类间的相似性尽量小，类内的相似性尽量大。将事物通过适当聚类，才能便于研究事物的内部规律，但客观世界中存在着大量界线不分明的问题，研究模糊聚类的方法正是为了解决这类问题。在对常规模糊聚类方法分析的基础上，提出了一种将自组织竞争神经网络技术运用于模糊聚类的一种方法，并以100种动物分类为例，进行了模拟试验，仿真结果证明这种方法进行模糊聚类的思想正确，方法可行，效果较好。     

基于混合核函数的自组织神经网络遥感图像分类

自组织神经网络SOM作为一种无监督学习的竞争式网络,已经得到了广泛的应用,它通过对输入信号的竞争学习,将样本划为不同的类别,但其分类效果常很难令人满意.提出了一种基于混合核函数的SOM神经网络改进方法,并和传统的SOM网络进行了对比,Iris数据和Wine数据的分类实验表明,该方法可以明显改进SOM网络的分类效果.然后对某地Landsat卫星遥感图像数据进行分类实验,实验结果表明,与传统的SOM网络、基于多项式核的SOM网络以及基于RBF核的SOM网络相比较,基于混合核函数的SOM神经网络方法的分类效果有较明显的提高.     

地物波谱的自组织神经网络分类

地物反射波谱是遥感技术中的核心，由于测量环境，条件等差异使得实际测量值的分类与期望之间存在很大差异，带来应用困难。本应用自组织神经网络对测量样本值进行非监督分类，得到由测量数据值本身特征而产生的类别，与期望类别作比较，分析差异原因，最后为测量值提出科学的应用方法。     

自组织增量神经网络IDS研究

理想的网络入侵检测系统(IDS)是无监督学习的、在线学习的。现有的满足这两个标准的方法训练速度较慢,无法保证入侵检测系统所需要的低丢包率。为了提高训练速度,提出一种基于改进的自组织增量神经网络(improved SOINN)的网络异常检测方法,用于在线地、无监督地训练网络数据分类器;并提出使用三种数据精简(Data Reduction)的方法,包括随机子集选取,k-means聚类和主成分分析的方法,来进一步加速改进的SOINN的训练。实验结果表明,提出的方法在保持较高检测率的前提下,减少了训练时间。     

基于自编码神经网络的航空物探遥感数据分类方法研究

航空物探遥感数据的采集过程中受到电磁波辐射等外界因素的影响,导致航空物探遥感数据分类准确率较低,为此提出基于自编码神经网络的航空物探遥感数据分类方法;根据航空物探对象的基本特征,设置遥感数据的分类标准;通过辐射校正、几何纠正、噪声消除等步骤,完成航空物探遥感数据的预处理;构建自编码神经网络,利用自编码神经网络算法,从光谱、形状、纹理等方面提取遥感数据特征,通过特征匹配确定航空物探遥感数据的所属类型;通过分类性能测试实验得出结论：所提方法的全局遥感数据分类成功率和错误率的平均值分别为99.8%和0.6%,局部遥感数据分类的成功率和错误率的平均值分别为99.8%和0.3%,即所提方法在分类性能方面具有明显优势。     

近似k-median分类属性数据聚类

数据挖掘中解决分类属性数据聚类的算法有很多种,但大多数基于划分的方法得到的聚类中心一般不是数据集中的实际数据对象,缺乏实际的物理意义,有时会导致某一聚类为空。该文研究了近似k-median的求解算法,用数据的近似中值来代替模式进行聚类,提出了分类属性数据的近似k-median聚类算法,克服了一般基于划分的可分类属性数据聚类中所遇到的问题,仿真实验证明该算法有效。     

一种符号型增量数据标签算法

数据标签是一种提高增量数据聚类效率的简单而有效的方法.数据标签就是分配每个新增数据点到与之最相似的簇的过程.符号数据分析的难点之一在于缺少一种恰当的方法来定义数据点与数据簇之间的相似性.为此,将簇代表定义为簇中所有属性的属性值及其在簇中的频率构成的列表,用信息熵的变化来定义“点-簇”不相似性.基于此不相似性度量,设计了一个符号型增量数据标签算法来分配无标记数据到恰当的簇.在公开数据集和文本语料上的对比实验表明,该数据标签算法不但数据标记精度高、时间开销小,而且有较好的可伸缩性.     

面向范畴类型数据的双聚类框架

双聚类是一种理想的概念聚类方法。对范畴类数据而言,双聚类可以给出相关联的数据对象和属性值的簇集(包括重叠的情况)。该文提出了一种通用的双聚类框架,由局部模式群集计算双划分。该局部模式反映了数据对象和属性之间的强关联。     

基于空间结构的符号数据仿射传播算法*

由于符号型数据缺乏清晰的空间结构,很难构造一种合理的相似性度量,从而使诸多数值型聚类算法难以推广至符号型数据聚类.基于此种情况,文中引入一种空间结构表示方法,把符号型数据转化为数值型数据,能够在保持原符号型数据的结构特征的基础上重新构造样本之间的相似度.基于此方法,将仿射传播(AP)聚类算法迁移至符号数据聚类中,提出基于空间结构的符号数据AP算法(SBAP).在UCI数据集中若干符号型数据集上的实验表明,SBAP可以使AP算法有效处理符号型数据聚类问题,并且可以提升算法性能.     

符号数据的无监督学习:一种空间变换方法

近年来符号数据的无监督学习在模式识别、机器学习、数据挖掘和知识发现等诸多领域扮演着越来越重要的角色。然而现有的针对符号数据的聚类算法(经典的K-modes系列算法等),相比数值型数据的聚类算法,在性能方面仍然有很大的提升空间。其根本原因在于符号数据缺乏类似数值数据那样清晰的空间结构。为了能够有效地发掘符号数据内在的空间结构,采用了一种全新的数据表示方案:空间变换方法。该方法将符号数据映射到相应的由原来的属性组成的新的 维度的欧氏空间中。在这一框架的基础上,为了找到符号数据更有代表性的模式,结合Carreira-Perpin提出的K-modes算法进行无监督学习。在9个常用的UCI符号数据集上进行了测试,与传统的符号数据聚类算法进行了实验比较,结果表明几乎在所有的数据集上提出的方法都是更加有效的。     

Categorical data visualization and clustering using subjective factors

Clustering is an important data mining problem. However, most earlier work on clustering focused on numeric attributes which have a natural ordering to their attribute values. Recently, clustering data with categorical attributes, whose attribute values do not have a natural ordering, has received more attention. A common issue in cluster analysis is that there is no single correct answer to the number of clusters, since cluster analysis involves human subjective judgement. Interactive visualization is one of the methods where users can decide a proper clustering parameters. In this paper, a new clustering approach called CDCS (Categorical Data Clustering with Subjective factors) is introduced, where a visualization tool for clustered categorical data is developed such that the result of adjusting parameters is instantly reflected. The experiment shows that CDCS generates high quality clusters compared to other typical algorithms.     

An Improved K-means Algorithm for Clustering Categorical Data

Most of the earlier work on clustering is mainly focused on numerical data the inherent geometric properties of which can be exploited to naturally define distance functions between the data points. However, the computational cost makes most of the previous algorithms unacceptable for clustering very large databases. The k-means algorithm is well known for its efficiency in this respect. At the same time, working only on numerical data prohibits them from being used for clustering categorical data. This paper shows how to apply the notion of ＂cluster centers＂ to a dataset of categorical objects, and a k-means-like algorithm for clustering categorical data is introduced.     

迭代自组织数据法在数据关联中的研究与改进

针对目标密集环境下易出现的误关联问题,提出了ISODATA算法的解决方法.该算法将目标点迹的特征参量构成待分类的样本空间,构建了基于ISODATA算法的模型,利用航迹的历史状态数据进行关联运算,有效地解决了多目标密集环境下的误关联问题,分析了记忆步长与计算量和关联结果的关系.通过仿真研究说明了算法在目标密集环境下的有效性.     

Constrained Self Organizing Maps for Data Clusters Visualization

High dimensional data visualization is one of the main tasks in the field of data mining and pattern recognition. The self organizing maps (SOM) is one of the topology visualizing tool that contains a set of neurons that gradually adapt to input data space by competitive learning and form clusters. The topology preservation of the SOM strongly depends on the learning process. Due to this limitation one cannot guarantee the convergence of the SOM in data sets with clusters of arbitrary shape. In this paper, we introduce Constrained SOM (CSOM), the new version of the SOM by modifying the learning algorithm. The idea is to introduce an adaptive constraint parameter to the learning process to improve the topology preservation and mapping quality of the basic SOM. The computational complexity of the CSOM is less than those with the SOM. The proposed algorithm is compared with similar topology preservation algorithms and the numerical results on eight small to large real-world data sets demonstrate the efficiency of the proposed algorithm.     

一种面向高维符号数据的随机投影聚类算法

现实数据往往分布在高维空间中，从整个向量空间来看，这些数据间的联系非常分散，因此如何降低维数实现高维数据的聚类受到众多研究者的普遍关注．介绍了一种适用于符号型高维数据的随机投影聚类算法．其根据频率选择与聚类相关的维向量，随机产生并根据投影聚类效果择优选择聚类中心及相关维向量，将投影聚类算法扩展至符号数据空间．实验结果证实了这种算法的实用性与有效性．