基于Kernel-SOM的非线性系统辨识及模型运行收敛性分析

该文提出基于核SOM(Kernel-SOM)的非监督非线性系统辨识方法。在辨识误差和系统初始输入误差同时存在的条件下,对Kernel-SOM辨识模型独立运行的收敛性进行了理论分析,并给出了辨识模型运行收敛的定理。数字仿真表明了所述方法的有效性及收敛定理的正确性。

基于核KMeans和SOM神经网络算法的海况聚类分析

为了更加高质量地利用海况数据,避免由复杂因素导致的对海况误判问题,基于KMeans、核技巧、自组织映射(Self-organizing Mapping, SOM)神经网络构建了自组织映射混合核KMeans(SOM-Gaussian and Polynomial Kernel-KMeans, SGPK-KMeans)算法.克服了KMeans对复杂数据聚类效果不佳、核KMeans需要指定聚类数目和对初始聚类中心敏感的问题.通过海况数据聚类实验,将SGPK-KMeans算法的聚类效果与经典KMeans、单核KMeans和SOM神经网络算法进行对比分析.结果表明SGPK-KMeans对于海况数据聚类具有更加稳定的效果且能更加准确的识别出数据中的异常值.

原空间中的核SOM分类器

自组织特征映射 (SOM)是Kohonen提出的一种人工神经网络模型 ,其整个学习过程是在输入样本空间内进行 ,并以欧氏距离为度量 .这将导致当输入样本分布结构呈高度非线性时 ,其分类能力下降 .核方法通过核函数实现了一个从低维输入空间到高维特征空间的映射 ,从而使输入空间中复杂的样本结构在特征空间中变得简单 .Donald等人通过核映射将低维输入空间中的非线性问题变换至高维特征空间中 ,从而使SOM聚类形成于映射后的高维特征空间中 .但其缺点是失去了对原输入空间聚类中心及结果的直观刻画 ;本文采用核方法的目的是为原输入空间诱导出一类异于欧氏距离的新的距离度量 ,并使原SOM成为特例 .而核的多样性进一步可诱导出原空间中不同的度量 ,导致各种对应SOM分类器的生成 .最后 ,本文侧重通过几种经典的核函数在Benchmark上的试验 。

结合Mercer核与SOM的动态免疫网络聚类算法

提出一种用于聚类分析的进化免疫网络算法,借鉴自组织映射原理改进网络拓扑进化机制,利用改进的免疫机制控制抗体数量,提高抗原聚类效果.当输入样本分布呈高度非线性时,使用核方法提高聚类质量,为了避免在特征空间中聚类时失去对原输入空间聚类中心及结果的直观刻画,使用核代入为原输入空间导出一类不同于欧氏距离的新的距离度量,训练过程仍在原空间中进行.实验结果表明了算法的可行性和有效性.

基于KPCA空间相似度的一类入侵检测方法

为了解决入侵检测系统中异常样本数据不易收集以及异常样本数据分布不均导致传统分类算法出现过适应现象等现实应用问题,提出了一种基于核主成分分析(KPCA)空间相似度的一类入侵检测方法。该方法利用KPCA形成正常样本的非线性特征子空间,其他样本在该空间的投影系数作为相似性的度量。同时,为了有效利用已有的异常训练样本,通过自适应增加免疫因子方法来提高模型的决策性能及增量学习能力。对核函数参数和阈值设定进行了分析,并给出基于粒子群优化算法的决策模型。实验中将该方法同其他多层感知机(MLP),支持向量机(SVM)及自组织映射(SOM)方法进行比较,实验结果验证了该方法的正确性和有效性。