粗集理论在图像特征选择中的应用

粗集理论是一种新的处理含糊和不确定性问题的数学工具。它作为一种新的软计算方法，与进化算法、神经元网络和模糊方法等一样，是具有发展潜力的智能信息处理方法。本文采用粗集理论知识约简的思想，提出了一种图像特征选择的算法，该算法不仅能够找出有效特征集、降低图像特征空间的维数、减少图像分类的工作量，而且提高了分类识别率。由于粗庥只处理定性数据或概念类的对象，需要进行数据离散化归一化，故本文又利用Kohonen网络，提出了一种属性值的离散化算法。实验结果证明，上述两种算法是有效的和实用的。     

神经网络技术在工程图标注文字识别中的研究

采用神经网络中的Kohonen自组织网络对工程图标注文字进行识别。讨论了Kohonen自组织网络的概念、原理、算法 ,及其用于对土木工程图纸标注文字识别的工作原理、算法实现和学习训练过程中的若干问题。     

基于Adaboost与SOFMN的人脸识别

介绍了一种基于自组织特征映射网络的人脸识别方法，使用Adaboost算法定位人脸，采用自组织特征映射网络分类器．优选网络初始权向量对人脸图像进行识别。     

基于K0honen网络和OLS算法的RBFNN中心选择方法

提出了一种优化选择径向基神经网络数据中心的算法,该算法结合了Kohonen网络的模式分类能力,将初步分类结果用作RBFNN的初始数据中心,然后采用OLS算法进行优化,对比仿真实验表明该算法效果比单独使用OLS算法生成的RBFNN性能更好。     

基于Kohonen网络和OLS算法的RBFNN中心选择方法

提出了一种优化选择径向基神经网络数据中心的算法,该算法结合了Kohonen网络的模式分类能力,将初步分类结果用作RBFNN的初始数据中心,然后采用OLS算法进行优化,对比仿真实验表明该算法效果比单独使用OLS算法生成的RBFNN性能更好。     

引入竞争机制的连续Hopfield神经网络矢量量化算法设计与实现

本文对照经典的矢量量化算法的不足，讨论了基于竞争机制的连续Hopfield神经网络矢量量化算法的设计与实现。详细描述了网络映射过程、网络能量函数的刻画和神经元状态转换方程。实验结果表明，与经典的LBG算法相比，本文所提算法具有更好的性能和强大的并行处理能力以及更优良的全局优化能力。     

基于改进Kohonen网和BP网的色情图像识别技术

介绍了一种网络图像监管技术方案,在此基础上着重研究了基于Kohonen神经网络和BP网络的色情图像特征识别技术,而且通过引入分裂算法对Kohonen网赋初值,对BP网络采用随机样本输入以及动态调整学习率等方法,对识别技术进行了改进,使整个网络图像监督管技术取得了较好的识别效果。     

改进的PACT算法在RC网络约简中的应用

超大规模集成电路设计进入深亚微米阶段，衬底和互连线的寄生RC参数成为影响电路速度和信号完整性分析的关键因素．由于互连提取的RC规模十分庞大，对其进行时序分析十分困难，因此需要对提取的RC网络进行约简．在经典的RC网络约简算法PACT的基础上提出几点重要改进，明显地提高了网络约简的速度，改进后的算法克服了经典PACT算法的局限性，使之可以适用于含有到端口无直流通路的内点的电路，从而提高了该算法的适用性．计算结果表明，在精度保持不变的条件下，文中算法比经典的PACT算法约快几倍．     

基于改进DCL算法的模糊控制规则提取

文章以机器人的模糊控制为背景,基于Kohonen自组织竞争网络和改进的DCL算法,从输入输出数据中提取模糊控制规则,所得结果明显优于Kong和Kosko[1]的结果。     

基于Kohonen和BP神经网络的文本学习算法

介绍了基于Ｋｏｈｏｎｅｎ和ＢＰ神经网络结合的Ｉｎｔｅｒｎｅｔ网上文本学习算法。它采用向量空间模型对文本进行编码,利用 Ｋｏｈｏｎｅｎ网络的自组织特性和ＢＰ网络的非线性特性进行学习。经过训练,算法能够有效地对输入文本进行判断,给出一个评价等级,标识出文本和用户兴趣的相关程度,从而为基于Ｉｎｔｅｒｎｅｔ的信息过滤、智能浏览等处理提供基础。     

Self-localization and obstacle avoidance for a mobile robot

This article presents a fast self-localization method based on ZigBee wireless sensor network and laser sensor, an obstacle avoidance algorithm based on ultrasonic sensors for a mobile robot. The positioning system and positioning theory of ZigBee which can obtain a rough global localization of the mobile robot are introduced. To realize accurate local positioning, a laser sensor is used to extract the features from environment, then the environmental features and global reference map can be matched. From the matched environmental features, the position and orientation of the mobile robot can be obtained. To enable the mobile robot to avoid obstacle in real-time, a heuristic fuzzy neural network is developed by using heuristic fuzzy rules and the Kohonen clustering network. The experiment results show the effectiveness of the proposed method.     

一种基于视觉感知特性的图象纹理分割方法

基于视觉感知多分辨率、多通道特性、并行性和模糊性,提出了一种基于视觉感知特性的图象纹理分割方法,它由2D最佳正交极可分方向滤波器特征提取,改进的模糊Kohonen聚类网络（IFKCN）特征聚类粗分割、粗分割结果的细化等几个步骤组成。实验结果表明了方法的有效性。     

一种基于模糊熵和FKCN的边缘检测方法

根据邻域内的灰度分布是有序的、具有方向性以及灰度实质具有结构性三种图像边缘的基本特征,通过引入模糊熵,构造出了一组基于模糊熵的信息测度分量来定量描述图像的这些边缘特征.利用训练样本获取该组分量,并组成一特征向量对模糊Kohonen聚类网络（FKCN）进行训练.用训练好的FKCN聚类网络直接提取其它图像的边缘.该方法无需确定阈值,对弱边界检测较敏感,在特征的选取上充分地考虑了边缘和噪声的本质区别,具有优异的抗噪性能.     

一种多知识融合的获取模糊规则的集成方法

基于单一知识发现方法的不足,提出了一种获取模糊规则的集成方法。首先用Kohonen网络进行数据量化,然后运用粗集理论产生初始规则,并根据所得的规则建立模糊神经网络模型,优化模糊规则的参数,最后再进一步简化获取模糊规则。通过实例进行系统仿真,结果表明该方法是有效的, 同时为获取模糊规则提供了新的思路。最后与其它方法进行了比较,并总结了该方法的特点。     

基于人工神经网络与决策树相结合模型的遥感图像自动分类研究

本文提出了一种新的基于Kohonen神经网络与决策树相结合模型的遥感图像自动分类方法。选取绍兴地区为实验区，对TM图像进行了分类实验。并将该模型分类结果与基于Kohonen网络模型的分类结果进行了比较，发现对于江南低山丘陵河网密集区的TM图像应用该模型进行分类能够得到较为满意的分类结果，其分类精度可达到85．16％，较之单纯使用Kohonen网络模型提高了20．12％。     

IWO-Kohonen聚类算法在IDS中的应用

针对Kohonen神经网络模型网络入侵聚类正确率较低的问题,将入侵杂草优化(IWO)算法与Kohonen神经网络相结合,提出IWO-Kohonen聚类算法。利用IWO算法优化Kohonen神经网络的初始权值,训练Kohonen神经网络模型得到最优值。使用IWO算法增强算法的搜索能力,提高聚类正确率,并加快算法的收敛速度。实验结果表明,该算法与模糊聚类算法和广义神经网络聚类算法相比,分类正确率较高;与蚂蚁聚类算法和模糊C均值聚类算法相比,网络入侵检测率较高,误报率较低。     

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。     

基于双Kohonen神经网络的Web用户访问模式挖掘算法

本文根据Kohonen自组织特征映射神经网络中学习阶段的性质,运用双Kohonen神经网络组合成新的自组织训练挖掘模型,先使用粗调整训练,加快模型学习速度,紧接着使用微调整训练,提高模型学习精度。实验结果表明,本文提出的双Kohonen神经网络挖掘模型,相对于标准Kohonen神经网络在训练速度和收敛效果上都有一定程度的提高,改善了聚类效果,为挖掘用户的多种兴趣提供了一种可行的方法。