基于PCA的SOM网络在基因数据聚类分析中的应用

把主分量分析(PCA)方法和自组织特征映射网络(SOM)相结合,应用到基因数据聚类分析中。首先对基因数据集进行PCA分析,提取出少量的特征主分量,再对数据集进行降维。这些主分量基本上可以反映原数据集的综合信息,然后应用SOM网络对得到的特征分量进行聚类分析,把相似的基因划分到一个区域。实验结果表明,与单一地选用SOM网络进行聚类分析相比,该方法有较高的分类正确率及较为清晰的分类边界,是一种非常有效的聚类分析方法。     

基于SOM神经网络的医疗诊断专家系统研究

研究了自组织特征映射(SOM)神经网络的结构及学习算法,提出了利用SOM神经网络对输入样本的“聚类”作用,实现对病人疾病的分类,并依此作为诊断的主要依据。     

基于进化树型自组织神经网络聚类分析

SOM是当前最著名的基于神经网络的用于数据可视化、聚类等任务的数据分析工具之一,为了克服传统SOM模型需要预选指定的限制,特别是在大的映射网络中寻找最佳匹配结点将会很耗时,所以提出一种新的进化树型自组织神经网络ET-SOM。通过对人工数据和工业数据进行实验证实了模型的有效性。     

基于SOM神经网络对潜在客户的挖掘

SOM(自组织特征映射)神经网络是一种基于模型的聚类方法,通过这一网络帮助市场分析人员对消费者的消费记录进行分析,概括出每一类消费者的消费模式,实现对消费群体的区分和对潜在客户的挖掘。     

神经网络在电子设备检测中的应用研究

本文针对电子设备中模拟电路容差因素对故障定位的影响,提出一种基于SOM自组织特征映射神经网络的组合式故障检测法,并就其基本原理和实际应用展开具体讨论．实践结果证明,该方法行之有效、实用性强、拓展性宽．此类故障检测方法值得人们进一步研究和探索．     

基于神经网络的风力机变频器故障诊断方法

探讨了自组织特征映射（SOM）人工神经网络在风力机变频器故障诊断中的应用,对风力机变频器故障信息提取、故障特征数据、故障征兆向量进行了分析,采用Matlab神经网络工具箱对风力机变频器故障类型判断和故障位置确定进行仿真实验,实验结果表明,利用该方法进行风力发电机电力电子装置故障诊断能取得较好的效果,具有一定的工程应用价值。     

自组织特征映射神经网络及其应用

介绍了自组织特征映射神经网络理论依据及其算法实现,通过应用实例的计算机仿真,表明算法的性能,并对自组织特征映射神经网络的未来发展进行了展望.     

一种基于SOM单属性时态特征聚类的方法

对单属性时态特征聚类进行了研究,提出了一种基于SOM网络(自组织特征映射)聚类提取单属性时态数据特征的方法,通过实验表明此算法是有效的.     

基于自组织特征映射网络矢量量化图像压缩的研究与实现

在介绍矢量化和自组织特征映射神经网络的基础上,针对基于自组织特征映射神经网络的矢量化算法,在初始码书生成、获胜神经元搜索以及学习速率调整等方面对图像压缩进行研究.结果表明,采用矢量量化方法进行图像压缩,可以在获得较高压缩比的同时,得到较好的恢复图像质量.     

优化特征加权的FCM算法

模糊聚类是一种重要数据分析和建模的无监督方法.在FCM算法中,考虑到样本矢量中各维特征对模式分类的不同影响,本文提出一种优化特征加权的模糊聚类算法,该算法利用主成分分析法提取主要特征向量并根据其对方差的贡献率不同赋予相应权重进行聚类分析.