分享到:

基于SOM神经网和K-均值算法的图像分割

1引言在对图像的研究和应用中,人们往往对图像中的某些部分感兴趣,即把目标从背景中提取出来,这些特定的部分一般对应于图像中特定的具有独特性质的区域,例如在基于内容的图像检索(Content-Based Im age R etrieval)中,用户提供用于检索的样本图像,检索系统将用户提供的样本图像同图像库中的图像按一定方法进行比较,将与样本图像相似的图像返回给用户。虽然目前尚没有判断分割成功与否的客观标准眼1演,但是人们在致力于将新方法引入图像分割的同时,更加重视多种分割方法的有效结合,尤其是人工智能领域中综合集成的方法。本文将SOM神经网络和K-均值的集成算法引入到图像分割,并进行了一系列实验说明该方法的可行性。2理论基础2.1图像分割所谓图像分割(Im age Segm entation)是指将图像中具有特殊涵义的不同区域区分开来,这些区域是互不相交的,每一个区域都满足特定区域的一致性。定义为:令F表示图像中所有指把F分成若干...  (本文共4页) 阅读全文>>

《科技视界》2015年16期
科技视界

SOM网络在雷达目标识别中的应用

0引言雷达是战场信息处理系统最基本、最直接、最重要的信息来源之一,对雷达系统进行数字化和信息化改造,增加自动目标识别功能,是现代雷达武器系统的发展方向。识别系统中采用的识别算法是整个系统的核心和中枢环节。因此,识别算法是否具备原理简单、结构合理、人工调整参数少以及性能稳定等特点,不仅决定识别系统的综合分类能力,而且直接影响着系统维护与扩展的难易程度和稳健性[1]。人工神经网络模拟生物神经系统结构和信息处理机制,具有自组织、自学习等性能,允许样本存在缺损和畸变,具有对不确定性问题的学习与适应能力,被越来越多地应用与目标识别领域中[2]。自组织特征映射网络[3](Self-Organizing Feature Map,SOM)作为一类无监督学习的神经网络模型,可以对外界未知环境或样本空间进行学习或者模拟,不需要先验知识,与BP神经网络[4]等方法相比更适合用于雷达目标识别。1 SOM神经网络原理自组织特征映射网络(Self-Orga...  (本文共2页) 阅读全文>>

《电子设计工程》2015年18期
电子设计工程

基于SOM神经网络的人力资源管理风险预警模型研究

自上世纪90年代,随着全球化竞争和市场经济的深入发展,企业间的竞争愈加激烈,而人力资源管理也成为企业取得成功的重要因素。企业在实际运行过程中,对人力资源的依赖逐步提升,进而造成人力资源管理将会面对多种样式的风险[1]。人力资源管理风险是由于用人组织对相关的人力资源未能合理使用,造成人力资源有形或者无形的浪费,甚至出现风险。该风险出现的范围将会涉及到人力资源的招聘、培训、绩效考核、薪酬等关键环节,这些重要环节的风险企业如果处理不当,将会对企业造成难以估量的损失,甚至造成企业的衰败。因此,企业或者相关组织应当建立日常的人力资源管理风险预警,用于监测早期人力资源管理风险,以便使企业能够及早对风险做出有效的分析、判断,采取相关的措施,这对企业在竞争激烈的市场经济环境下取得优势有着及其重要的作用。1人力资源管理风险预警模型的理论基础1.1人力资源管理风险的涵义在当前市场经济条件下,人力资源管理风险主要集中于企业在生产过程中忽视了人力资源管...  (本文共3页) 阅读全文>>

《中国集体经济》2011年18期
中国集体经济

基于SOM网络的城市分类探讨及实证分析

一、引言城市分类不仅便于我们对各个城市的发展进行评估,并且为我们制定城市的发展决策提供了依据。然而,如何能够进行科学的城市分类一直备受关注。而基于近些年来人工神经网络的飞速发展,它帮助我们解决了许多棘手的难题,其中的自组织特征映射网络(SOM)具有强大的聚类功能,利用它可以帮助我们根据各个城市的特点从而进行科学分类,为加速我国城市的发展和城镇化建设有着重要的意义。2005年吴聘奇、黄民生利用SOM网络对福建省城市进行了职能分类,同年,刘耀彬、宋学锋又基于SOM人工神经网络对长江三角洲地区城市职能分类做了研究。从而可见,基于人工神经网络的自组织特征映射网络(SOM)在城市的分类问题确实可以发挥强大的作用。评价一个城市的各个行业的发展,有许多指标。其中行业就业人口是评价一个城市该行业的发展的基础指标。本文对山东地区城市的分类实证分析中,对各个城市的各行业就业人口数量进行了采集,其中包括农林牧渔业,采矿业,制造业,电力、煤气及水的生产...  (本文共2页) 阅读全文>>

《现代商业》2010年06期
现代商业

基于SOM的商业银行客户细分研究

一、引言随着营销管理理论的不断发展和我国银行业的信息化建设逐步推进,数据挖掘技术在银行中的应用成为可能。众所周知的80/20定律明确表明只有抓住最有价值的客户才能保证企业获得更大的利润,知道客户价值的变化可以使企业集中关注那些能带来更多利润的客户。因此,利用数据挖掘的相关技术进行客户细分的研究便重要起来。二、客户细分方法与指标选取1、客户细分方法选取细分方法的根本差别在于细分维度,不同的细分维度需要不同的细分技术作为分析手段。目前,客户细分的方法可分为:人口统计细分、行为细分、心理细分三类。其中,人口统计细分方法是基于客户统计学特征(年龄、性别、收入、职业、地区等),该方法虽然简单易行,但单独使用一般只适用于了解客户结构,难以指导企业如何去吸引客户、保持客户,难以适应客户关系管理的需要。心理细分属于事后细分,即其细分标准是在细分过程中逐渐明晰的,之前并不明确,而行为细分的细分标准在细分前已经确定。再综合考虑指标获取的难易程度,本...  (本文共1页) 阅读全文>>

太原理工大学
太原理工大学

基于SOM算法改进的K-medoids算法及其研究

科技的飞速发展,引起信息的急剧膨胀,给计算机存储和行业数据库带来巨大挑战。随着数据指数级的增大,维度不断加大,数据类型的复杂度也在不断提升。对于这些超高维数据,需要通过数据挖掘技术来探索隐藏于数据内的信息并利用获取的信息辅助我们做出科学合理的预测与决策。常见处理高维数据方法有:数据降维、聚类分析、回归分析等。本文介绍了传统的自组织映射(SOM)神经网络和K-medoids算法。传统的SOM算法在使用时,存在部分样本点和对应的权向量之间差距较大,造成聚类的准确性较低;K-medoids算法在聚类前需要人为确定聚类个数和初始中心点,而不同的聚类个数和初始中心点的选择会造成不同的聚类结果。为弥补以上两种方法的不足,本文提出一种自组织映射(SOM)神经网络与K-medoids算法结合的算法——改进的SOM-K算法。文中,第一章详细描述了大数据背景下,聚类和降维算法的研究意义;第二章主要讲述了基于聚类算法距离的定义;第三章主要阐述传统的K...  (本文共57页) 本文目录 | 阅读全文>>