基于生长分层自组织映射网络的岩性识别模型

针对复杂类型油气储层的岩性识别难的问题,提出了一种新的基于生长分层自组织映射网络的岩性识别模型,并对金衢盆地金66测井数据进行仿真试验。结果表明,它是一种操作简便、易于实现的模型;既保留了自组织映射网络的优点,又具备其自身的优势;不但能对输入数据进行正确的聚类,而且能将输人数据中的层次继承关系直观地展现出来,从而可进一步提取出输入数据的共性与特性,并有助于对高维数据的深层次分析。在复杂的油气藏领域中可以应用生长分层自组织映射网络进行岩性识别,具有广泛的应用前景。

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．

基于增量式GHSOM神经网络模型的入侵检测研究

传统的网络入侵检测方法利用已知类型的攻击样本以离线的方式训练入侵检测模型,虽然对已知攻击类型具有较高的检测率,但是不能识别网络上新出现的攻击类型.这样的入侵检测系统存在着建立系统的速度慢、模型更新代价高等不足,面对规模日益扩大的网络和层出不穷的攻击,缺乏自适应性和扩展性,难以检测出网络上新出现的攻击类型.文中对GHSOM(Growing Hierarchical Self-Organizing Maps)神经网络模型进行了扩展,提出了一种基于增量式GHSOM神经网络模型的网络入侵检测方法,在不破坏已学习过的知识的同时,对在线检测过程中新出现的攻击类型进行增量式学习,实现对入侵检测模型的动态扩展.作者开发了一个基于增量式GHSOM神经网络模型的在线网络入侵检测原型系统,在局域网环境下开展了在线入侵检测实验.实验结果表明增量式GHSOM入侵检测方法具有动态自适应性,能够实现在线检测过程中对GHSOM模型的动态更新,而且对于网络上新出现的攻击类型,增量式GHSOM算法与传统GHSOM算法的检测率相当.

一种基于半监督GHSOM的入侵检测方法

基于神经网络的入侵检测方法是入侵检测技术的一个重要发展方向.在已有无监督生长型分层自组织映射(growing hierarchical self-organizing maps,GHSOM)神经网络算法的基础上,提出了一种半监督GHSOM算法.该算法利用少量有标签的数据指导大规模无标签数据的聚类过程.一方面借鉴cop-kmeans半监督机制,解决了原始算法中返回空划分的问题,并将其应用到GHSOM算法中.另一方面提出了神经元信息熵的概念作为子网生长的判断条件,提高了GHSOM网络子网划分的精度.此外还利用有标签的数据自动确定聚类结果的入侵类型.对KDD Cup 1999数据集和LAN环境下模拟产生的数据集进行的入侵检测实验表明:相比于无监督的GHSOM算法,半监督的GHSOM算法对各种类型的攻击具有较高的检测率.

CBR系统优化策略及在注塑模具设计中的应用

CBR(Case-based reasoning)技术是弱理论强实践领域实现智能化的有效手段,但是,随着工业的飞速发展,工程领域的特征信息爆炸式增长使得当前CBR系统的关键构建环节例如事例的表达、事例库的构建等呈现出诸多局限。为了适应新的复杂工程领域发展需要,对若干关键环节进行了优化研究:在CBR系统事例的表达方面,利用GHSOM(Growing Hierarchical Self-Organizing Map)算法和粗糙集算法集成策略对事例庞大特征信息进行精简,为事例知识的准确、高效表达、存储和检索打下基础;利用GHSOM算法优化构建事例库,通过空间聚类建构多层次多粒度知识库体系,同时,当执行事例检索时,由GHSOM算法作为知识导引策略,将新任务导入相应子事例库,通过数值计算获取最佳事例。最后,以注塑模具设计为应用领域验证了本方案的效果。