模糊Kohonen聚类网络用于骨髓细胞图像分割

提出了一种基于图像的边界特点来确定模糊Kohonen聚类网络输出类别的方法 .该方法首先构建了图像的一个边界模型 ,然后利用Zernike矩求出边界模型的参数 ,最后根据参数的特点 ,自动确定模糊Kohonen聚类网络输出数目 .试验结果表明该方法构建的模糊Kohonen聚类网络能够实现图像的自动模糊分割 。

基于模糊kohonen聚类网络的改进算法

模糊kohonen聚类神经网络将模糊隶属度概念应用于一般Kohonen聚类网络的学习和更新策略中,改善了Kohonen聚类网络的性能,是一种快速有效的聚类网络。但在死神经元的处理和收敛速度上还有改进的空间。为了能使网络更好应用于海量数据的聚类问题,对模糊Kohonen聚类网络算法在输出神经元的模糊偏置度、侧抑制模糊隶属度和加权系数提出了三方面改进。同时,对改进的模糊Kohonen聚类网络的有效性进行实例仿真,仿真结果体现了改进算法能有效避免死神经元的出现和提高了网络的聚类速度。

模糊K-Harmonic-Kohonen网络的FTIR光谱数据聚类分析

食品的品种不同则其含有营养成分和功效存在差异,得到的傅里叶变换红外光谱也存在差异。为了准确的实现品种分类,设计了一种将傅里叶变换红外光谱与模糊聚类分析方法相结合的品种鉴别方法。在模糊Kohonen聚类网络(FKCN)基础上将模糊K调和聚类(FKHM)引入到Kohonen聚类网络的学习速率和更新策略中,提出了模糊K-Harmonic-Kohonen网络(FKHKCN)算法。FKHKCN利用模糊C均值(FCM)聚类的模糊隶属度计算其学习速率,以FKHM的聚类中心为基础通过推导计算得到FKHKCN的聚类中心,可以解决模糊Kohonen聚类网络方法对于初始类中心敏感而导致聚类结果不稳定的问题。FKHKCN作为一种模糊聚类算法,可实现傅里叶变换红外光谱数据的聚类分析。采用三种数据集:(1)采集产自四川的三种茶叶(优质和劣质的乐山竹叶青以及峨眉山毛峰)作为实验样本,样本总数为96。(2)两个品种(robusta和arabica)的咖啡样本。(3)三个品种(鸡肉、猪肉和火鸡)的肉类样本。首先对三个光谱数据集进行预处理,利用多元散射校正降低茶叶样本原始光谱数据集的散射影响,使用Savitzky-Golay减少噪声对肉类和咖啡这两个光谱数据集的影响。再利用主成分分析将高维的三种光谱数据集压缩至低维。然后采用线性判别分析进行特征提取,将光谱数据投影到求得的鉴别向量上。最后分别采用FCM,FKCN和FKHKCN对茶叶、肉类和咖啡进行判别。最终结果如下:FCM,FKCN和FKHKCN对茶叶品种的聚类准确率分别为90.91%,90.91%和93.94%;对肉类品种的聚类准确率分别为90.83%,0.00%和92.50%;对咖啡品种的聚类准确率分别为89.17%,89.17%和90.83%。以上实验结果表明:采用傅里叶红外光谱技术结合主成分分析、线性判别分析和FKHKCN的方法能够较有效地对食品的品种进行鉴别,且鉴别准确率比FCM和FKCN更高,聚类结果更稳定。

模糊选择多分辨率Kohonen聚类网络用于灰度图像分割

基于模糊分割、模糊分割子集的概念提出一种新的具有模糊选择多分辨特性的Ｋｏｈｏｎｅｎ 聚类网络用于解决原有选择多分辨率网络结构存在的样本子集不完全、误差逐层传递等问题．为了便于对原有网络缺陷的分析及使新的算法更具一般性，将Ｋｏｈｏｎｅｎ 聚类网络作为聚类分割算法的特例，从集合论的角度对聚类分割问题的基本概念及算法加以定义．将新的网络用于灰度图像分割。

一种基于动态模糊Kohonen网络的聚类模型及应用

提出一种基于动态模糊Kohonen神经网络聚类模型,针对传统的Kohonen神经网络(KNN)聚类需要预先确定聚类数的问题,提出采用树形动态自组织映射网络算法(TGSOM)来确定聚类数,并且利用模糊Kohonen神经网络(FKNN)聚类结果与输入顺序无关的优势进行网络优化,得到更优的聚类结果。该模型应用于用户兴趣模式挖掘,通过数据测试分析,证明其有效性。

Kohonen模糊神经网络聚类与数据融合技术在“3S”森林防火中的应用

This paper has clarified the event strategic significance of realizing sustaining development of mankind for forest tire prevention,and then further in fronded the technology of in fared remote sensing in satellite of MKDIS for forest fire prevention at the basic of having brief in production for "3S"(RS,GIS and GPS),and put out the technical improving methods of Kohonen fuzzy neural network and data fashion to the deficiency.

基于模糊聚类的Kohonen神经网络三角网格曲面重建

针对密集点云的三角网格曲面重建,提出一种用于数据精简和分块的神经网络算法:将模糊聚类方法与Kohonen神经网络算法结合.该算法具有按不同曲率进行曲面点云分块重建的能力,而且提高了自组织神经网络的效率.并应用该算法进行了仿真试验,建立了三角拓扑网格曲面,验证了算法的有效性.

模糊Kohonen网络在烟叶分类中的应用

对于分类问题的处理有很多经典方法,但近年来因为人们对神经网络理论及其应用的重视,使得Kohonen网络(KN)越来越受到普遍关注。该文利用模糊控制策略将模糊c-均值算法与经典的Kohonen算法有机地结合起来,使网络性能到了很大改善。

一种新的模糊聚类神经网络及其在水资源评价中的应用

本文在工程模糊集理论的基础上,融合香努(Kohonen)聚类网络与自适应谐振理论(AdaptiveResonanceTheory ,ART)的优点给出了一种新的模糊聚类神经网络,并将其应用于区域水资源评价中。网络模型融入模糊识别理论,增强了处理复杂水资源问题的能力,同时模糊竞争的学习算法改善了Kohonen网络学习效果。结合ART理论使得网络模糊类别数可以增加,因此具有较强的可塑性。最后。

基于模糊 c-线性簇聚类算法的 Kohonen 特征映射

提出了一种基于模糊ｃ－线性簇聚类算法的Ｋｏｈｏｎｅｎ特征映射算法．这种特征映射克服了Ｋｏｈｏｎｅｎ网存在的一些缺点．对某些识别问题，其计算效率非常高．

基于自组织神经网络的模糊聚类同调机群识别

给出了一种利用基于融合自适应共振理论和Kohonen网络基本思想的自组织神经网络(简称自组织神经网络)的模糊聚类方法识别电力系统同调机群的算法。首先对输入数据进行模糊预处理,即采用最大–最小法建立能够反映发电机组间同调程度的模糊相似矩阵;然后将其每行或每列输入自组织神经网络模型进行训练,最终竞争获胜的输出层神经元代表不同的动态类型,即不同的同调发电机组;最后在EPRI-36节点系统上分别对自组织神经法和自组织神经模糊聚类法进行了仿真计算。结果表明:自组织神经模糊聚类法的识别结果比自组织神经法更加接近基于时域仿真的结果,没有出现误判,且自组织神经法能在更大时间范围内对同调机群进行准确识别。

基于Kohonen神经网络聚类方法在遥感分类中的比较

设计完成和比较了基于Kohonen自组织网络的Kohonen聚类网络(Kohonen C lusteringNetwork,KCN)、模糊Kohonen聚类网络(Fluzzy KCN,FKCN)和基于进化规划的Kohonen聚类网络(Evalutionary Programm ing based KCN,EPKCN)三种聚类算法在遥感土地利用/覆盖分类中的应用。结果表明三种非监督学习方法在进行遥感土地利用/覆盖分类过程中,在分类性能上有显著差异。EPKCN分类目视效果最好,单次迭代的速度最快;FKCN总的收敛速度最快;而按遥感土地利用/覆盖分类要求而言,EPKCN方法在三种分类方法中效果最好,因此可采用该算法进行遥感土地利用/覆盖的非参数分类。

一种模糊聚类模式识别方法及应用

提出一种新模糊Kohonen聚类网络算法，同时提出了模糊伪监督分类算法；模糊特征降维方法．最后给出应用实例及和其它方法的比较结果．

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.

基于粗糙集和神经网络结合的鱼病诊断方法

为了实现鱼病的快速和大批量诊断的目的,将粗糙集理论和神经网络紧密结合建立一种新的高效鱼病诊断模型。利用粗糙集进行知识获取,即把鱼病的典型案例作为样本空间形成"症状—疾病"的决策表,然后根据粗糙集的知识简化方法,去掉冗余的属性和样本。利用性能优良的模糊kohonen聚类网络进行聚类分析,最后形成鱼病的分类规则,新的鱼病就可通过此规则进行诊断。该模型充分融合了粗糙集强大的规则提取能力和神经网络优良的分类能力,实验证明模型具有很好的分类效率,可以实现鱼病的快速诊断。

基于粗集神经网络的分类方法

数据挖掘是近年来发展快速的信息处理新技术,如何有效地从高维的、超大规模数据中提取隐藏的有用信息,是该领域的研究核心。针对海量数据的挖掘分类问题,将粗集和神经网络紧密结合建立一种新的高效数据挖掘模型,即利用粗糙集理论中的知识简化方法,去掉冗余的属性特征和样本,然后,利用性能优良的模糊kohonen聚类神经网络进行聚类分析,最后形成分类规则。该模型充分融合了粗集强大的规则提取能力和神经网络优良的分类能力。实验证明模型具有很好的分类效率,且有较高的精确性。

电信欺诈行为的聚类研究

针对海量电信数据的聚类问题,利用粗集中的知识简化方法,减少属性的数量,提取主要的特征属性,并结合性能优良的模糊Kohonen聚类网络,提出了一种新的电信欺诈行为的检测模型,采用Microsoft SQL2005和VC++6.0技术,利用电信运营商提供的真实数据对该模型进行验证,实验结果表明,基于粗集神经网络方法提出的模型快速有效且具有较高的准确率。

一种基于三维直方图和RFKCN的图像分割方法

该文提出了一种基于三维直方图和抑制式模糊Kohonen聚类网络(RFKCN)的图像分割方法.该方法分为2步,第1步是像素的模糊化,通过模糊均值和模糊中值构造两幅冗余图像;第2步是通过冗余图像和原始图像组成一个三维特征矢量集,并利用RFKCN聚类网络对该特征矢量集进行聚类,从而达到图像分割的目的.由于新方法不仅利用了图像像元点的灰度分布信息,而且充分考虑了像元点之间的灰度相关信息及其模糊信息,构造出三维特征空间,根据各信息间的竞争性、冗余性和互补性,进行有效的融合,增加了聚类分割的精确度.理论分析和实验表明,该方法具有良好的分割性能.

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。

多时相遥感影像变化检测算法研究

本文首次将非下采样Contourlet变换和上下截集模糊Kohonen聚类网络相结合,提出了一种无监督的多时相遥感影像变化检测算法。该算法采用非下采样Contourlet变换提取与对数比图像中的每个像素相对应的多尺度和多方向纹理,并采用上下截集模糊Kohonen聚类网络将这些多尺度和多方向纹理分为变化类与未变化类两类,最终得到变化检测图像。实验结果表明,与传统方法相比,对于高斯和斑点噪声,该算法具有更高的抗噪性能和检测精确度。