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。

颜色不变量的自适应聚类网络量化方法

给出了颜色不变量的自适应聚类网络量化算法 .这种方法采用一组图象训练量化矢量 ,根据训练图象能自适应地影响量化矢量 .把这种算法和均匀量化算法应用于 CBIR系统中 ,并对它们的检索结果和时间复杂度进行比较 ,结果表明 ,该算法在检索的正确率和时间的复杂度上均优于均匀量化方法 .

基于合作聚类网络的高层次科技人才引进研究——以山东省机器人研究领域为例

高层次科技人才引进研究对提高我国科技创新水平以及科技竞争力具有重要意义。以Web of Science的SCI数据库为数据来源,运用知识图谱方法,通过将山东省与国际机器人研究领域的合作聚类网络信息进行对比分析,发现山东省的机器人研究领域急需引进在医疗应用、仿人机器人和仿生机器人方面的科技人才;分析了山东省与国际机器人研究领域合作聚类网络的现状与形成原因,建议山东省合作聚类网络应该进一步完善,促进紧密型合作网络的形成。

基于聚类网络的IT系统绝缘故障检测研究

介绍了一种新型港口船舶岸电系统,分析了配出中性导体的IT系统绝缘监测方法,结合基于直流信号注入的系统绝缘电阻测量方法,提出了运用自组织特征映射网络(SOM)对系统监测数据进行融合并判断系统故障类型的方法。通过试验系统实测数据仿真和工程应用,证明SOM网络在IT系统绝缘故障监测中应用的可行性。

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。

属性聚类网络和属性识别准则在期货价格预测中的应用

在属性测度概念的基础上,运用属性聚类网络和属性识别理论解决模式识别问题,该方法在期货价格趋势预测中获得了较为成功的应用.

基于结构化深度聚类网络的人脸表情识别研究

针对如今常用的卷积神经网络对人脸表情图片的特征提取不足、关键区域的特征无法精确提取等问题,文章利用不同表情时人脸关键点的变化,并将深度学习方法与聚类方法相结合运用于人脸表情识别中,提出一种基于结构化深度聚类网络(SDCN)的人脸表情识别算法.该网络由GCN图卷积神经网络、K-最近邻(KNN)图构建网络、编码器网络构成.为更好地捕捉到人脸关键点之间的关系和表情信息,利用GCN网络对人脸表情图像中的关键点进行特征提取.该网络输入数据为图结构数据,将人脸关键点数据输入对应的KNN图构建网络以得到人脸关键点的图结构数据.该网络在Fer2013、CK+与JAFFE三个人脸表情数据库上进行实验,获得了较为不错的识别率,在一定程度上证实了算法的有效性.

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 。

基于聚类网络的文本-视频特征学习

综合理解视频内容和文本语义在很多领域都有着广泛的研究。早期的研究主要是将文本-视频映射到一个公共向量空间,然而这种方法所面临的一个问题是大规模文本-视频数据集不足。由于视频数据存在较大的信息冗余,直接通过3D网络提取整个视频特征会使网络参数较多且实时性较差,不利于执行视频任务。为了解决上述问题,文中通过良好的聚类网络聚合视频局部特征,并可以同时利用图像和视频数据训练网络模型,有效地解决了视频模态缺失问题,同时对比了人脸模态对召回任务的影响。在聚类网络中加入了注意力机制,使得网络更加关注与文本语义强相关的模态,从而提高了文本-视频的相似度值,更有利于提高模型的准确率。实验数据表明,基于聚类网络的文本-视频特征学习可以很好地将文本-视频映射到一个公共向量空间,使具有相近语义的文本和视频距离较近,而不相近的文本和视频距离较远。在MPII和MSR-VTT数据集上,基于文本-视频召回任务来测评模型的性能,相比其他模型,所提模型在两个数据集上进行精度均有提升。实验数据表明,基于聚类网络的文本-特征学习可以很好地将文本-视频映射到一个公共向量空间,从而用于文本-视频召回任务。

弱聚类网络上SI传染病的渗流

考虑了含有3团和4团的弱聚类网络,并建立了联合分布函数,借助生成函数的方法得到任选一个节点属于连通巨片的概率以及节点属于连通片的平均规模和发生连通巨片相变的渗流阈值.同时将边渗流应用于SI传染病模型中,通过模拟分析聚类系数对染病者形成连通巨片规模大小的影响.

两类算法生成的聚类网络的大尺度结构特征的比较

引入一种新的生成聚类网络的算法,该算法是对配置模型的推广。对这种算法和Big-V重连算法(BV算法)特别是在网络的大尺度结构特征方面进行对比,结果发现:该算法与BV算法除了在度的同配性这一结构特征上表现出较大差异以外,其他一些结构特征差异并不明显。

属性聚类网络在股票价格预测中的应用

在属性测度概念的的基础上,针对模式识别问题,介绍了属性识别准侧。运用属性聚类网络方法解决了模式识别问题,别采用属性聚类算法,通过程序是此算法得以实现,并在股票价格变化趋势的预测中取得了较为成功的应用。

聚类网络中流行病模型的阈值研究

流行病传播研究的核心内容是基本再生数以及它的阈值。在这篇文章中,我们主要介绍了在聚类网络传播过程中的两个基本模型:SIS模型和SIR模型。利用平均场理论和微分不等式,我们得到了以上两种模型的阈值。由此可以得知,聚类网络在社交网络的疾病传播中发挥着举足轻重的作用。

深度图注意力聚类网络

聚类是数据分析的一个重要任务。随着深度学习思想的普及,深度聚类算法取得了突破性进展,但是目前的深度聚类算法只注重信息的整体表达能力,忽略信息的重要度以及数据的结构信息。针对此问题,本文提出了一种基于图注意力机制的深度聚类网络,首先根据输入数据特点建立图结构数据。在此基础上,根据邻居结点重要度,采用多头注意力机制提取包含图结构的加权特征信息,利用自动编码器提取原数据的全局信息,将不同层的全局表达与对应图结构信息相连,通过随机梯度下降与反向传播来优化基于KL散度聚类损失和重建损失的加权和,学习网络表征及其簇分配,在公开数据集上的实验中验证了文中算法的优越性。

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。

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。

基于聚类的用户创新社区知识网络建模及分析

针对用户创新社区知识网络建模时,网络社区存在的海量信息内容特征的多样性,采用传统的方法在进行挖掘时,由于信息内容可挖掘特征存在的关联性低,使得最优信息内容特征的挖掘不准确,选出大量的无关信息内容特征,导致建模精确度低。提出基于加权聚类网络的企业社区用户创新知识发现、建模及分析方法。在web内容挖掘基础上,对高频特征词进行聚类,并根据内容进行标记并命名,与高频词合并形成创新知识点集,考虑词频以及知识点间隶属关系,构建用户创新知识的加权网络模型,并对用户创新知识深入分析。分析结果可以用加权的层次网络表示出来。实验结果证明,采用上述建模精确度高,并为企业发现和分析用户创新知识提供更有效的工具。

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。

基于深度聚类的供水管网分区构建方法研究

在供水系统管理中,分区管理是进行管网运营、压力管理和漏损控制的有效工具,其构建方法直接影响分区效能的发挥程度。然而,大多数分区方法通常未能充分考虑管网的拓扑结构与水力状态之间的复杂相互作用,所得分区方案无法充分利用现有分区设施,在实际工程应用中面临困难。鉴于此,提出了一种基于结构性深度聚类网络(Structural Deep Clustering Network,SDCN)的供水管网分区构建方法。使用SDCN有机融合管网拓扑结构和水力状态信息进行聚类分析,根据聚类结果以及管网计量设施实际情况,对孤立节点进行归类分析,提出聚类边界调整的有效计算方法,以形成最终分区方案。与两种经典的管网聚类方法相比,该方法具有更好的管网节点聚类精度,分区结果面向工程实际需求,可以为管网分区规划与建设提供有效的技术支撑。

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.