摘要：根据轴承－转子系统摩擦学设计的需要，研究了从大量仿真计算数据中获取设计知识的方法，并采用自组织特征映射神经网络，对输入样本进行了概念聚类，获得了概念性的设计知识，且利用计算机自动搜索算法获得产生式规则知识．

摘要：该研究以Matlab为平台,应用自组织特征映射网络模型对研究区的遥感影像数据进行土地使用类型的分类。结果表明:在设计神经网络模型时,输出层节点数的确定不仅与分类数相关,同时也需要考虑研究区数据的模数,输出层节点数正确与否很大程度上制约着研究结果的精度。研究证明,自组织特征映射网络通过神经元之间的竞争能模拟大脑神经系统中的"近兴奋远抑制"功能使得该网络的收敛性更好,其分类精度较高,而且该神经网络不需要学习样本使其应用更加简单。因此自组织特征映射网络在遥感分类中有着很好的应用前景。

摘要：简要介绍了基于自组织特征映射（SOFM）神经网络的图像压缩的传统算法。通过对传统方法的优缺点分析，提出了一种新的简单的矢量量化压缩方法。新算法采用分类码书设计和残留编码，大大提高了图像的客观指标和主观视觉效果。实验表明此方法明显优于传统的SOFM算法，而且易于硬件实现。

摘要：以潘家口水库为例,利用具有聚类功能的自组织特征映射人工神经网络对潘家口水库汛期进行分期,并与有关的分析结果进行比较。结果表明:基于自组织特征映射人工神经网络的潘家口水库汛期分期成果与目前相关研究成果相吻合,表明该方法应用于汛期分期具有一定的合理性。自组织特征映射人工神经网络可以很好地反映、提取分期数据间的复杂信息,计算量小,主观影响小,是高效便捷的汛期分期方法。

摘要：提出一种基于自组织特征映射神经网络(SOFM)的零件加工尺寸类型识别方法.首先从三维CAD软件中获取包含零件特征数据的XML文件,并从文件中提取相应的加工特征及尺寸.然后以零件加工特征作为SOFM的输入层的神经元,经处理后作为SOFM的输入向量,利用SOFM自学习和自组织能力对输入向量进行训练.训练好的网络可以实现对零件加工尺寸类型进行较好的识别.最后通过对某零件的尺寸类型识别,验证了所提方法对平面、内孔、外圆和定位四类典型加工尺寸类型识别的有效性.

摘要：为了改善矢量量化的码书性能和提高神经网络的学习效率,在分析等误差自组织特征映射算法(equidistortion self-organizing feature mapping,EDSOFM)的基础上,提出了一种改进算法。改进算法将模糊神经网的隶属度函数引入到竞争学习算法中,有效地提高了学习收敛速度。针对原算法搜索获胜码字时计算量较大的问题,改进算法通过不等式判决的方法,快速排除了大量的不匹配码字。实验结果表明,改进算法使码书设计的计算量得到明显的减少,而且码书的性能得到了提高。

摘要：为改善单一聚类算法的聚类性能,提出一种基于自组织特征映射(SOM)的聚类集成算法。该算法利用多个具有差异性的聚类成员,将原始数据集转换成一个新的特征空间矩阵;然后计算各个聚类成员的聚类综合质量,并将其作为新特征空间矩阵的属性权重,最后利用SOM神经网络进行集成,产生最终的共识聚类结果。实验结果表明,与集成前的基聚类算法和其它聚类集成算法相比,该算法能够有效地提高聚类质量。

摘要：矢量量化（ＶｅｃｔｏｒＱｕａｎｔｉｚａｔｉｏｎ）是一种重要的数据编码方法，其关键是码本设计和检索方法。然而，通常的码本聚类生成算法所用的局部信息，不能很好表现信号特征。由Ｋｏｈｏｎｅｎ提出的自组织特征映射（ＳｅｌｆＯｒｇａｎｉｚｉｎｇＦｅａｔｕｒｅＭａｐ，ＳＯＦＭ）具有自组织聚类特性，可直接用于码本设计，并较著名的ＬＢＧ算法有许多良好特性。本文在简略描述自组织特征映射网络特点后，主要论述一种新改进算法并将其运用于心电信号压缩。从压缩结果来看，ＳＯＦＭ法适用于多种心电波形压缩任务；对于基线波动严重的波形，效果可较好；对规则波形如Ｔ１００等却不很理想，Ｓ波处有失真。

摘要：本文设计了一种神经网络矢量量化编码方法———基于自组织特征映射的神经网络的矢量量化 .利用Kohonen网络的自组织聚类功能 ,设计矢量量化器码书 ,实现矢量量化 .该神经网络速度快 ,效率高 ,适用于语音和图象数据压缩 ,并对SOFM算法应用于图象矢量量化进行系统的研究 .

摘要：图像矢量量化(VQ)是图像压缩算法中的重要环节,在VQ中起决定性因素的是构造出性能优异的码书。为改善矢量量化码书的性能,文中在分析Kohonen自组织特征映射(SOFM)的基础上,提出一种识别距离SOFM的算法,同时将矢量量化应用于图像的小波变换域。测试结果表明,改进的算法使码书设计的计算量得到明显的降低,而且码书的性能得到了提高。