NFCNNC：一种新的模糊竞争神经网络聚类模型及其在文本聚类中的应用

提出了一种新的模糊竞争神经网络聚类模型NFCNNC，并将其应用到文本聚类中。NFCNNC将模糊中心聚类（FCC）算法得到的模糊聚类中心向量作为神经网络的权值，通过比较隶属度值得到获胜神经元。网络中仅两个神经元同时调节权值。隶属度值最大的神经元以较大的学习率调整权值，隶属度次大的神经元以较小的学习率调整权值，其他神经元权值不变。按照FCC算法调整模糊聚类中心向量值（即权值）和神经元的隶属度，当网络稳定时，即可确定聚类数。与传统模糊神经网络模型相比，本文的模糊神经网络模型具有结构简单、运行效率高、聚类精度高的优点，同时克服了传统算法需预先指定聚类数的局限性。通过对文本聚类的实验验证，本算法取得了良好的效果。

基于神经网络聚类的慢性乙型肝炎住院患者治疗模式及费用

目的研究2008-2012年广州市慢性乙型肝炎(chronic hepatitis B,CHB)住院患者的治疗模式的变化趋势及各模式药费的构成,为制定医保政策提供参考。方法从2008-2012年广州市第八人民医院信息系统中筛选出诊断为CHB的住院患者,采用自组织特征映射神经网络(self-organizing feature map,SOM)对其治疗方案进行聚类,比较不同治疗模式患者的住院费用、药费及费用构成。结果 CHB患者(n=5543)的治疗模式分为3类:保肝为主(hepatoprotective-based,HP-based)治疗模式(36.48%)、干扰素结合保肝(interferon-hepatoprotective,IFN-HP)治疗模式(29.33%)和核苷酸类似物结合保肝(nucleostide analogues-hepatoprotective,NAs-HP)治疗模式(34.19%)。NAs-HP患者比例有升高趋势(从2008年的8.21%增至2012年的34.19%);IFN-HP与NAs-HP患者的住院费用、药费均高于HP-based,但NAs-HP患者的药费主要源自保肝药费(41.64%~57.70%)和其他药费(19.11%~47.39%),NAs费用只占15%左右。结论尽管NAs-HP患者比例逐年升高,但仍处于较低水平;NAs费用并非该类患者药费的主要来源,提示医保部门应采取有效措施提高CHB患者NAs的使用率。

基于BP神经网络聚类算法的P2P流量识别

在研究有监督机器学习算法中的BP神经网络算法和无监督的机器学习算法中的k-means聚类算法的基础上,提出一种半监督的BP神经网络聚类算法对P2P流量进行识别。该算法具有有监督和无监督的机器学习算法的优点,能快速地进行精确的流量识别,即取少量离线的流量样本进行标记与分类,然后利用分类结果为聚类中心对大量在线流量进行聚类识别。这样既提高了效率,又能保证结果的准确性。利用BP神经网络对所采集的少量流量数据中每个流按包大小标准差、变换频率、平均值、包数目和总字节数5个特征进行分类,得出分类结果的特征均值,对大量的在线数据进行指导聚类。多次实际网络测试结果的准确率很高,证明该算法模型是可行的。

神经网络的特征映射聚类算法研究

自组织特征映射作为一种神经网络方法,在数据挖掘、机器学习和模式分类中得到了广泛应用。他将高维输入空间的数据映射到一个低维、规则的栅格上,从而可以利用可视化技术探测数据的固有特性。说明自组织特征映射神经网络的工作原理和具体实现算法,并在对已有神经网络聚类分析方法概括和总结的基础上,结合一些实验数据、仿真数据对自组织特征映射算法进行研究,得出了一些有意义的结论。

基于模糊聚类神经网络的语音识别方法

提出了一种基于模糊神经网络的语音识别方法.该方法以模糊系统模型为基础,利用改进的模糊聚类辨识算法,构成一种新型的模糊聚类神经网络(FCNN),并将其作为概率密度函数的估计器,对每个状态的输出进行预测.它不仅能有效地在语音识别中引入帧间相关信息,而且能克服状态输出概率密度函数为混合高斯分布的束缚.通过对非特定人汉语孤立词和连续音节的语音识别实验,证实了该方法的有效性.

基于模糊聚类神经网络的煤炭资源分类研究

采用模糊聚类神经网络方法建立了煤炭资源分类模型 ,通过自适应算法与误差逆传播算法相结合 ,解决了以往神经网络不能处理模糊问题的缺陷 ,从而更适应现实评价条件的需要。

超球聚类模糊神经网络在跟踪控制中的应用

采用简化的标准模型的模糊神经网络的基本形式而将模糊集的概念由一维推广到n维并利用超球聚类方法定义了一类n维模糊集及其隶属函数 ,提出一种基于超球聚类的模糊神经网络。这种模糊神经网络可以根据样本自动产生模糊规则 ,在一定程度上可避免“维数灾难”。将这种网络用于一类非线性系统的在线跟踪控制 ,定理表明 ,当聚类半径足够小时可使跟踪控制的静态误差任意小。

采用聚类神经网络与分离输出语音重构的语音分离算法

基于听觉现象分析计算模型 ( CASA)的基本原理 ,对仅有单通道输入混合语音信号时 ,采用振荡器神经网络 ,提出了一种 CASA计算模型语音分离算法结构 .利用实例说明了算法的具体实现步骤和参数设置 .讨论了该算法结构中各语音听觉感知成分 Segments的聚类过程和对分离输出语音的重构处理部分 ,以及如何采用合适的听觉感知成分聚类规则设计相应的聚类神经网络 ,以完成对应不同输入独立语音源信号的各 Segments的聚类 。

基于网格和密度的聚类神经网络结构优化

针对聚类神经网络初始权值与样本分类数的设定问题，提出一种基于网格和密度的聚类神经网络结构优化算法．以网格和密度为工具提取聚类样本的聚类中心，并由此确定样本分类数，从而对聚类神经网络结构进行优化，可以有效地提高神经网络的聚类效果，缩短样本聚类时间．

广义回归神经网络在空间数据聚类中的应用

针对空间数据聚类中由于空间数据本身的特点造成模糊C均值聚类算法无法满足使用要求的问题,提出1种改进的空间数据聚类算法:将模糊C均值聚类算法与广义回归神经网络相结合,得到结合广义神经网络的模糊C均值聚类算法;并将结合广义神经网络的模糊C均值聚类算法应用到空间数据的聚类中。实验结果表明,结合广义神经网络的模糊C均值算法在空间聚类方面比模糊C均值有着更好的效果,可以满足实际空间数据聚类的要求。

中国金融风险预警系统的构建研究——基于K-均值聚类算法和BP神经网络

本文首先通过研究我国1994—2011年的经济数据,对关系到金融系统稳定的16项经济变量进行主成分分析,进而将所选变量归结为宏观经济、金融体系、对外经贸三个方面。在此基础上运用K—均值聚类算法,把金融系统风险状态分为四类。继而借助BP神经网络建立了我国金融系统风险的预警模型,并通过2011年的数据对我国2012年金融系统运行状况进行了预测。预测结果表明我国2012年处于轻度风险状态,总需求的回落和资产泡沫的收缩将是影响我国金融系统稳定运行的主要问题。最后对我国如何预测并防范金融风险给出了政策建议。

一种基于聚类神经网络的模拟电路故障诊断方法

提出了线性互易电路单一元件软故障的统一特征概念．根据统一特征可将软故障字典建立于本文提出的聚类神经网络之中．这一有限规模的字典，能够诊断每一元件所有的软故障，测前工作量小、诊断过程简单．在一定的条件下，此方法对弱非线性电路小范围软故障也适用．

基于模糊逻辑聚类神经网络算法的中长期负荷预测

电力系统中长期负荷预测受大量不确定因素的影响,聚类方法能够将各种影响因素综合引入预测模型,提高了预测精度。采用一种由模糊逻辑单元组成的聚类神经网络用于中长期负荷预测。利用模糊集理论中的模糊逻辑算子y1完成网络运算,提高了聚类神经网络的运算速度。虽然网络采用了竞争学习作为网络的学习算法,但是它克服了一般竞争学习算法固有的死点问题,使得历史数据的聚类分析中聚类中心初始点的选取有更大的随意性。运用文中所述模型及算法综合考虑了历史负荷情况和未来不确定因素等对未来负荷变化的影响。通过与传统的方法进行中长期负荷预测比较,结果表明该方法可以提高负荷预测的精度。

基于改进型聚类神经网络的图像分割

将聚类网络用于非监督的图像分割,提出了竞争层神经元的动态调整机制和返回式的非重复训练学习方案,实现了聚类数的自适应增加,解决了随机生成权值矩阵产生的死点问题,提高了算法的收敛性能。实验结果表明,改进的聚类网络的图像分割结果优于C-均值聚类算法和通常的聚类网络。

基于图聚类神经网络的江西省山洪灾害危险性区划研究

目前山洪灾害区划中常用的传统聚类方法大多仅考虑区划基础空间单元的属性特征,很少考虑基础空间单元的结构信息。该文同时考虑区划基础空间单元的属性和结构特征,提出基于图聚类神经网络的山洪灾害危险性区划方法,以江西省小流域为区划的基础空间单元,构建图聚类神经网络模型,根据聚类有效性指标确定最佳聚类数,并通过碎屑图斑合并获得16个山洪灾害危险性同质性区域,最后利用地理探测器和江西省历史山洪灾害点数据对区划结果进行验证和评价。结果显示:基于图聚类神经网络模型的江西省山洪灾害危险性区划结果与历史山洪灾害点的地理探测器q值达0.792,比传统的K-means和Ward聚类方法分别提高了0.386和0.104,能较好地刻画江西省山洪灾害危险性的空间分异格局。通过融合属性和结构特征有助于提升区划效果,可为江西省市县级政府部门制定因地制宜的山洪灾害防治管理措施提供辅助决策,同时也可为其他自然地理区划提供新的方法参考。

中长期负荷预测的模糊竞争学习聚类神经网络算法

电力系统中长期负荷预测受大量不确定因素的影响,聚类方法能够将各种影响因素综合引入预测模型,提高了预测精度。本文将神经网络引入到模糊聚类分析中,建立了中长期负荷预测的新方法,并且对聚类神经网络的学习算法进行了改进,利用模糊竞争学习完成网络运算,弥补了网络输出结果二值性的不足,使得学习规则中权值矩阵的改变速度加快,因而算法的收敛速度有很大提高。运用文中所述模型及算法综合考虑了历史负荷情况和未来不确定因素等对未来负荷变化的影响。通过与传统方法进行中长期负荷预测比较,结果表明该方法可以提高负荷预测的精度。

基于减聚类模糊神经网络的企业创新人才全面孵化管理评价研究

为提升创新人才全面孵化管理,促进企业可持续发展,对企业创新人才内涵进行分类并分析了全面孵化管理的内涵,构建了企业创新人才全面孵化管理概念模型,设计了基于减聚类模糊神经网络(SC-FNN)的企业创新人才全面孵化管理(TIM)评价体系,可为企业创新人才的全面孵化管理提供理论依据与决策借鉴。

基于聚类分析的复杂网络中的社团探测

社团结构是复杂网络中普遍存在的一种特征。本文应用改进了的谱分法将网络的社团探测问题转换为聚类分析问题,并将Girvan和Newman提出的模块度函数概念应用到聚类分析的4类算法中进行社团结构的探测,特别提出了一种新的结合模块度的聚类遗传算法。然后用3种类型的网络实验算例验证了本文算法的有效性,并对实验结果进行了比较分析,得出本文提出的新算法在初始化敏感性和准确性方面效果较好。最后指出本文算法的进一步研究方向。

一种新的模糊聚类神经网络及其在语音信号系统辨识中的应用

主要解决语音信号模型的系统辨识问题。针对过去的模糊聚类算法进行系统辨识时逼近性能不理想的问题,提出了一种新的模糊聚类神经网络(FCNN)。该方法以模糊系统模型为基础,将每个状态看作一个模糊系统,用连续的若干序列作为系统的输入,利用改进的模糊聚类辨识算法构成一种新型的模糊聚类神经网络,对系统的输出进行预测。通过语音信号系统辨识的实验,验证了本网络的有效性。

一种结构自适应的聚类神经网络

为了解决聚类分析中聚类数的确定问题,在SOFM神经网络的基础上,从聚类准则出发,通过试验对聚类准则的曲线特征进行了详细的分析和论证,设计出一种结构自适应的聚类神经网络,该网络能自动确定最佳的聚类数,并提出了一种减少计算量的改进算法。