基于SOM网络的股票聚类分析方法

无监督的自组织映射(SOM)神经网络是用于聚类的主要人工神经网络模型之一.在SOM网络的基础上改进了网络中的邻域函数,并将其用于对股票进行分析和选择,得到了令人满意的结果.为了提高解的精度,避免多个输入样本映射到同一输出节点还提出了禁忌映射的方法.数值模拟表明该模型对于上市公司的聚类结果令人满意,对于股民客观、准确地选出真正具有投资价值的股票具有指导意义.     

基于核函数的SOM网络流量分类方法

由于网络流量数据高度非线性,传统的自组织映射(self-organizing maps,SOM)网络对此分类的鲁棒性和可靠性较差,提出了一种基于核函数的SOM(kernel SOM,KSOM)网络流量分类方法。该方法用核函数代替原始数据在特征空间中映射值的内积,使输入空间中复杂的流量样本结构在特征空间中得到简化,实现对有多个统计特征属性的网络流量在应用层的分类。实验结果表明,KSOM能识别新应用类型的流量,较传统的SOM更适合对网络流量进行分类,其分类准确率高于NB方法。     

基于I-Miner的聚类分析研究

数据挖掘是当今数据库系统研究和应用领域中的热点问题.聚类是数据挖掘中的核心问题.I-Miner是一个企业级的数据挖掘工具,利用I-Miner软件进行聚类分析,将聚类结果呈现丰富的可视化效果,通过S语言拓展软件功能,解决应用的特殊需求.     

基于物联网和SOM算法的信息监控系统设计

在物联网环境下进行信息监控系统设计,实现对网络信息的监控和自适应采集,保障网络安全。针对采用传统的神经网络控制方法进行信息监控的数据挖掘准确性不好的问题,提出一种基于物联网和自组织映射SOM算法的信息监控系统设计方法,首先进行信息监控系统的总体设计和功能模块化分析,然后设计改进的SOM算法,应用在信息监控的数据挖掘和分类识别中,在程序加载模块中进行算法加载,最后在物联网环境下构建嵌入式Linux内核进行信息监控系统的软件设计和开发。系统仿真实验结果表明,采用该信息监控系统进行大型物联网的数据信息监控,对数据的准确挖掘和识别性能较好。     

基于SOM网络的差分隐私保护研究

差分隐私模型具有强大的隐私保护能力,但是也存在数据效用低等问题。为提高数据可用性并保护数据隐私,提出一种基于SOM网络的差分隐私算法(SOMDP)。首先利用SOM网络模型对数据进行聚类操作;其次,对每个划分好的聚类添加满足差分隐私的拉普拉斯噪声;最后,理论分析算法的可行性,并在真实数据集上评估SOMDP算法性能、算法的数据可用性和隐私性能。实验结果表明,SOMDP在达到差分隐私要求的前提下,可较大程度地提高差分隐私数据发布的效用。     

基于改进SOM模型的高校学生学习过程评价研究

对高校学生学习过程进行准确的评价,是提升学生学习效率、改进教师教学方法、完善学校教学管理的重要环节。目前已经提出了多种数学模型来解决该问题,但这些方法均需要一定的先验知识且难以实现自学习。本文利用SOM模型能在无监督、无先验知识的状态下对样本进行自组织的特性进行学习过程的评价,同时通过主成分分析,提高了网络收敛速度和聚类准确性。实例分析表明:改进SOM模型能有效地进行学生学习过程的评价。     

基于PSO-混合核函数的SOM网络流量分类研究

针对基于核函数的自组织特征映射SOM(Self-organizing feature Map)算法中核函数的单一性选取和核函数参数的不确定性,提出一种基于PSO-混合核函数的SOM算法。用两种核函数混合构造新的核函数,采用改进的粒子群算法PSO对核函数中的参数以及两种核函数的混合参数进行优化确定,并应用于网络流量数据。实验结果表明,基于PSO-混合核函数的SOM算法,相对于传统的SOM算法以及单一核函数SOM算法,分类的可靠性和稳定性有明显的提高。     

基于遗传算法的K均值聚类分析

1 前言聚类分析就是将数据对象分组成为多个类或簇,在同一个簇中的对象之间具有较高的相似度,而不同的簇中的对象差别较大。聚类分析目前应用广泛,已经成为数据挖掘主要的研究领域。通过聚类,人们能够识别密集的和稀疏的区域,从而发现数据的整体分布模式,还能找到数据间的有趣的相互关系。关于聚类分析目前已经有K均值,CURE等很多算法,     

用SOM网络从移动通信数据中识别相似个体

从移动电话通信数据中挖掘用户有用信息,被认为是富有研究价值的一项工作。利用从94个Nokia 6600用户中收集的实际通信记录,根据用户的通信统计情况,结合用户的调查数据,形成能被SOM网络接受的训练数据集。在此基础上,给出了基于SOM (Self-Organizing Map)的相似个体识识别系统SSRS ( Similary Subject Recognition System),该系统在训练好的SOM网络支持下,能够对群体中的个体进行有效分类,从而为预测个体将来行为莫定基础。     

基于SOM聚类的数据挖掘方法及其应用研究

传统的聚类算法如Kmeans等,往往需要事先定义聚类数目。在实际应用中,多基于经验知识来确定类别个数,而且一般需要多次尝试,这种方法具有很大的盲目性。本文提出一种基于SOM的聚类算法,利用SOM的可视化功能和人眼在低维情况下对模式的快速识别能力来避免传统聚类算法确定聚类数目的盲目性。将提出的方法应用于某电信公司客户分群的实际问题当中,来刻画客户组的个性行为特征,以便销售人员制定针对性的营销策略,具有重要的实际意义。     

基于SOM神经网络的服务质量预测

服务质量预测在服务计算领域中是一个热点研究问题.在历史QoS数据稀疏的情况下,设计一个满足用户个性化需求的服务质量预测方法成为一项挑战.为解决这一挑战问题,本文提出一种基于SOM神经网络的服务质量预测方法SOMQP.首先,基于历史QoS数据,应用SOM神经网络算法分别对用户和服务进行聚类,得到用户关系矩阵和服务关系矩阵;进而,综合考虑用户信誉和服务关联性,采用一种新的Top-k选择机制获得相似用户和相似服务;最后,采用基于用户的和基于项目的混合策略对缺失QoS值进行预测.在真实的数据集WS-Dream上进行大量实验,结果表明,与经典的CF算法和K-means算法相比,本文方法较大程度上提高了QoS预测精度.     

基于SOM神经网络的二阶变异体约简方法

二阶变异测试通过向源程序中人工注入两个缺陷来模拟程序实际的复杂缺陷,在软件测试中具有重要意义.但由一阶变异体组合形成二阶变异体后数量会急剧增长,极大地增加了程序的执行开销.为了减少二阶变异体数量,降低程序的执行开销,提出一种基于SOM神经网络的二阶变异体约简方法.该方法首先采用较为全面的二阶变异体错误组合策略,对一阶变异体组合形成二阶变异体;然后,根据二阶变异体执行过程中的中间值相似性,进行基于SOM神经网络的变异体聚类.使用经典的基准程序和开源程序进行了方法的验证,实验结果表明,一方面,使用错误覆盖更为全面的组合策略能够充分模拟程序的复杂缺陷,聚类约简后,二阶变异体的个数在极大减少的同时,二阶变异充分度和一阶变异充分度更加接近,但是因为执行的二阶变异体数目明显降低,从而使得运行聚类后的二阶变异体时间开销明显比执行全部二阶变异体降低;另一方面,实验过程发现了有利于增加测试组件的隐藏二阶变异体.     

基于互相关分析和SOM神经网络的异常值检测平台

异常值的检测问题是时下数据挖掘领域的研究热点。目前已经有许多种成熟的异常值检测方法,但当数据是高维混合型属性,或者存在成片孤立点时,这些方法就变得很不理想甚至不再适用。因此,针对这些现有方法的不足之处,提出了新的孤立点检测方法,并设计了时域和空域的异常值检测平台。对于时间和空间序列数据集,该平台分别采用基于互相关分析和自组织竞争(self-organizing maps, SOM)神经网络的异常值检测方法。经实验验证,检测平台具有较高的检测率和可靠性。同时,在搭建该平台时充分考虑了模块化和层次化的方式,使得平台具有良好的可扩展性和开放性。     

一种基于FPGA的SOM神经网络算法的并行实现

分析了SOM神经网络算法在FPGA实现过程中要考虑的2个主要问题：并行性和有限字长效应。通过分析，提出了一种实现该算法的高并行体系结构并给出了该体系结构中关键模块的具体实现电路。根据计算机仿真以及在FPGA上的实现所得到的结果表明，该体系结构在保证神经网络性能的同时，可以使电路具有较高的处理速度。     

基于SOM的散乱数据点集的B样条曲面重建

利用自组织映射神经网络(SOM)技术对散乱数据点集进行B样条曲面重建时,往往存在网络学习时间过长和学习效果不理想等问题。提出了一种新的神经元初始化方法和分块学习算法,该算法首先运用主元素分析方法(PCA)对散乱数据进行分块,将拓扑结构为四边形的输出层神经元初始化在每块散乱数据的最小二乘平面上进行网络学习和训练,将分块学习得到的各网格曲面拼接成一个整体;然后对该整体网格曲面的边界和内部单独学习,得到一张逼近待重建曲面的双线性B样条曲面;最后对该B样条曲面误差进行了修正。实例证明,该算法可以明显地减少SOM网络学习时间,并改善网络学习效果。     

基于潜在语义索引和自组织映射网的检索结果聚类方法

随着互联网的不断发展和数据量的不断增加,搜索引擎的作用日益明显,用户更多地依靠搜索引擎来查找需要的信息.利用潜在语义索引(LSI)理论和自组织映射神经网络(SOM)理论.提出了一种文本聚类的新方法——LSOM.该方法应用SOM网络来实现检索结果文本聚类,不必预先给定类别个数,具有聚类灵活和精度高等特点;同时,该方法应用LSI理论来建立向量空间模型.在词条的权重中引入了语义关系.对于高维的文本特征向量,消减原词条矩阵中包含的噪声,提高聚类速度.LSOM使用一种新的类别标签提取方法.并将提取的标签用于解决SOM基本类划分问题,算法在类别标签和聚类效果评价指标上都比已有的算法有所提高.     

SOM神经网络在独立学院招生决策中的应用

自组织映射(SOM)是一种竞争型无指导学习的神经网络方法。SOM神经网络已广泛地应用于模式聚类、模式识别、拓扑不变性映射等方面。本文利用SOM对中国31个省份进行聚类分析,建立独立学院招生决策模型。首先,选取各省份的报到率、第一志愿率和人均GDP等作为SOM神经网络的输入模式;然后,用SOM进行聚类;最后,对聚类结果进行分析得出各类的生源地特征和等级。实验结果表明,利用SOM对生源地进行聚类分析是可行的、有效的,可以避开人的主观因素,更迅速客观地得到聚类结果。它为独立学院编制招生计划和招生宣传方案提供了一种新的参考依据,在独立学院招生领域具有较好的应用前景。     

结合Mercer核与SOM的动态免疫网络聚类算法

提出一种用于聚类分析的进化免疫网络算法,借鉴自组织映射原理改进网络拓扑进化机制,利用改进的免疫机制控制抗体数量,提高抗原聚类效果.当输入样本分布呈高度非线性时,使用核方法提高聚类质量,为了避免在特征空间中聚类时失去对原输入空间聚类中心及结果的直观刻画,使用核代入为原输入空间导出一类不同于欧氏距离的新的距离度量,训练过程仍在原空间中进行.实验结果表明了算法的可行性和有效性.     

基于SOM神经网络的颜色图像分割

1.引言基于内容的图像检索(Content-Based Image Retrieval)已广泛应用于生化、军事、文化、教育等领域。其原理是利用图像自身的特征,如颜色、纹理、形状及对象空间关系等信息,建立图像的特征矢量以进行检索。它与传统的基于文本的图像检索相比,能够更充分地利用图像的语义信息。在CBIR方法中,用户检索时通常可以提供样本图像,检索系统将该样本图像同图像库中的图像按一定方法进行比较,将与样本图像相似的图像返回给用户。