基于自组织动态神经网络的图像分割

图像分割是图像处理和模式识别的重要课题,而图像特征空间聚类是图像分割的一种重要方法,认为图像的特征是图像中待分割物体表面所特有而且恒定的特征,并将图像的特征映射到某种几何空间,称为特征空间,并且假定图像中不同的待分割物体在该特征空间中呈现为不同的聚集.提出了自组织动态网络(SODNN)聚类算法,并且利用该算法对图像特征空间聚类.该算法实现了神经网络结构的快速生长和动态调节,具有自动适应数据内在分布特征和聚类结果更为准确稳定的特点.利用SODNN算法对图像颜色空间进行聚类的同时综合了图像的位置信息来实现图像分割.实验表明分割结果与人工分割结果具有较好的一致性.

基于主体的分布式聚类系统

随着网络的发展，对分布式数据处理的需求日益提高．分布式聚类系统是典型的分布式数据挖据，是分布式数据检索的重要部分．在多主体环境（MAGE）的基础上，构架一个分布式的聚类系统，核心学习算法是生长分层自组织映射网络．MAGE系统为从分布式环境中信息的获取以及知识的共享提供平台．生长分层自组织映射（GHSOM）网络动态生长的特点适合分布环境下对分布数据总体信息的缺乏；它的分层网络结构能更好组织数据类别；学习得到的生长分层白组织映射网络也可以作为检索的接口．该系统可以很好地被用到分布式数据检索系统中去，例如分布式图像检索．