1) method of self-organizing feature map
自组织特征映射法
2) SOM
自组织特征映射
1.
Results showed that air quality has been deteriorated gradually from 1997 to 2005,which was in accordance with the results of SOM.
在此基础上使用自组织特征映射验证了主成分分析的结果正确,最后给出了相关结论。
2.
In the paper, we introduce SOM (Self\|Organizing Map, one of clustering method in neural network) to Chinese Web search engine.
本文将神经网络聚类方法之一SOM(Self OrganizingMap ,自组织特征映射 )的思想和方法引入中文Web搜索引擎 ,首先探讨了其网络模型和算法 ,而后提出一种聚类用户所感兴趣的中文Web文档的层次聚类方法 ,从而提高中文Web文档的检索质
3.
In this article we put forward an improved VQ methode using SOM (self-organized map) for the original image compression.
本文提出了一种改进矢量量化进行SOM(自组织特征映射)原始图像压缩的方法,该方法基于小波变换,并对小波变换所得的参数(子块)使用SOM算法对其进行矢量量化,并根据不同的子块采用不同的量化方式。
3) self-organizing feature map
自组织特征映射
1.
The application of self-organizing feature map neural network to logging lithological identification;
自组织特征映射神经网络在测井岩性识别中的应用
2.
Application and Analysis of Self-Organizing Feature Map;
自组织特征映射网络的分析与应用
3.
Approach of clustering based on self-organizing feature map;
一种基于自组织特征映射网络的聚类方法
4) self-organizing feature maps
自组织特征映射
1.
To improve the performance of block matching algorithm in motion estimation and motion complement(ME+MC),a motion pattern recognition(MPR) algorithm based on self-organizing feature maps(SOM) is proposed and tested in object-based conference video coding.
针对块匹配运动估计补偿(ME+MC)算法的不足,提出了一种基于自组织特征映射(SOM)的运动模式识别(MPR)算法,应用于会议电视的视频对象编码。
2.
To overcome disadvantages of existing initial codebook algorithms,a new separating mean algorithm for learning vector quantization(LVQ)based upon self-organizing feature maps(SOM) was proposed.
针对原有随机数设置法、训练矢量集随机抽取法和LBG分裂法等初始码书算法存在码矢利用率较低、运算量大和与信源匹配程度不高等不足,提出了一种新的分离平均法,并应用到基于自组织特征映射算法(SOM)的学习矢量量化(LVQ)中。
3.
To improve performance of codebook and learning efficiency,self-organizing feature maps(SOM) are analyzed,a new self-learning feature maps(SLM) algorithm is proposed.
为了有效地提高矢量量化(VQ)码书的性能,提出了一种新的自学习特征映射(SLM)算法,并应用到图像VQ中,实验表明,与自组织特征映射(SOM)算法相比,SLM算法具有聚类特性好和峰峰信噪比高等优点,是一种非常有前途的码书设计算法。
5) self-organizing map
自组织特征映射
1.
The Research and Application of the Clustering Algorithm Based on Self-Organizing Map;
基于自组织特征映射聚类算法的研究与应用
2.
The classification effect was validated by the leave-one-out method and compared with the support vector machine(SVM) and self-organizing map(SOM) methods.
将最小二乘支持向量机(leastsquare support vector machine,LS-SVM)算法用于杭州南宋官窑2窑址出土瓷片的分类研究中,根据瓷片胎和釉的主要、次要和痕量元素组成对它们进行了分类,用留一法检验其分类效果,并与支持向量机(support vector machine,SVM)算法和自组织特征映射(self-organizing map,SOM)算法进行了比较。
6) SOFM
自组织特征映射
1.
A Document Clustering Method Based on Improved SOFM Network;
一种基于改进的自组织特征映射网络的文档聚类方法
2.
This article introduced a SOFMN based face recognition method.
介绍了一种基于自组织特征映射网络的人脸识别方法,使用Adaboost算法定位人脸,采用自组织特征映射网络分类器,优选网络初始权向量对人脸图像进行识别。
3.
Clustering analysis based on self-organizing feature maps(SOFM) network is a new unsupervised clustering method that de-velops from neural networks.
基于自组织特征映射网络的聚类分析,是在神经网络基础上发展起来的一种新的非监督聚类方法,分析了基于自组织特征映射网络聚类的学习过程,分析了权系数自组织过程中邻域函数和学习步长的一般取值问题,给出了基于自组织特征映射网络聚类实现的具体算法,并通过实际示例测试,证实了算法的正确性。
补充资料：偏微分算子的特征值与特征函数
由边界固定的膜振动引出的拉普拉斯算子的特征值问题：是一个典型的偏微分算子的特征值问题,这里x=(x1,x2)；Ω是膜所占据的平面区域。使得问题有非平凡解（非零解）的参数λ的值,称为特征值；相应的解称为特征函数。当Ω有界且边界嬠Ω满足一定的正则条件时,存在可数无穷个特征值,相应的特征函数ψn(x)组成l2(Ω)上的完备正交系。乘以常因子来规范ψn(x)，使其l2(Ω)模为1,则Ω上的任意函数??(x)的特征展式可写为：当??可以"源形表达"，即??满足边界条件且Δ??平方可积时,展式在Ω一致收敛。当??平方可积时，展式平方平均收敛，且有帕舍伐尔公式：
对膜振动问题的认识还是相当有限的。能够精确地知道特征值的，只限于矩形、圆盘等少数几种非常简单的区域。对椭圆和一般三角形的特征值精确值，还几乎毫无所知。其他情形就更谈不上了。
将不超过 λ的特征值的个数记为N(λ)。特征值的渐近分布由N(λ)对大 λ的渐近式来刻画。这方面最早的结果是（C.H.）H.外尔在1911年得到的（外尔公式）：
式中表示Ω的面积。R.库朗将余项改进为。对于多角形区域，又有人将余项改进到。各种情况下改进余项估计的工作至今绵延不绝。外尔猜测有一个更强的结果：式中｜嬠Ω｜是区域边界之长，但尚未被证出。
与此密切相关的是下面的MP公式：(t→+0)
取一个渐近项时，用陶伯型定理可由它推出N(λ)的外尔公式。第二渐近项与外尔猜想非常相象，但由此证不出外尔猜想。第三项迟至1966年才被M.卡茨导出，后来由H.P.麦基恩与I.M.辛格严格证明,其中h表示鼓膜Ω的洞数。
特征值与膜振动频率有一个直接的换算关系，M.卡茨据此给MP公式一个非常生动的解释：可以"听出"鼓膜的面积|Ω|、周长｜嬠Ω｜和洞的个数h！由于1-h恰巧是Ω的欧拉-庞加莱示性数,是整体几何中颇受重视的一个不变量，"听出鼓形"或"谱的几何"问题立即引起人们的强烈兴趣，并导致一系列重要的研究。不过一般的特征值反问题,要求从特征值的谱完全恢复Ω,还远远没有解决。
用陶伯型定理得出N(λ)渐近式的方法，由T.卡莱曼于1934年首创，他还得到谱函数的渐近式：(λ→∞)，式中δxy当x=y时为1，当x≠y时为0。
上述关于拉普拉斯算子的结果，由L.戈尔丁和F.E.布劳德推广到 Rn的有界区域Ω上的m 阶椭圆算子。尽管推算繁杂，但结果十分简单整齐：；；式中 v(x) 表示集合{ξ｜｜A0(x,ξ)｜<1}的勒贝格测度，而是A的最高阶导数项相应的特征形式。特征展开定理亦由L.戈尔丁得出。
对于奇异情形，例如薛定谔方程 的谱问题,可以证明存在谱函数S(x，y，λ),特征展式为。由于可能出现连续谱，S(x，y，λ)一般不一定能写成前述特征函数双线和的形式。判定奇（异）微分算子谱的离散性是很有意义的工作。已经出现各种充分条件。不过关于特征值与特征函数渐近性质的研究，还只是限于少数特例。
在处理‖x‖→∞ 时V(x)→∞的情形，M.卡茨与D.雷等人曾创造了一种系统的概率方法，其中借助数学期望表出格林函数，有效地求出谱函数与特征值的渐近式：
。
当算子A的系数不光滑,或非一致椭圆，或非自共轭，以及边条件带特征参数或带非定域项等等情形，都出现不少研究结果。还有人考察Au=λBu型的特征值问题,这里A、B都是椭圆算子。
除上述问题外，特征展式的收敛性与求和法也一直受到人们的关注。
对膜振动问题的认识还是相当有限的。能够精确地知道特征值的，只限于矩形、圆盘等少数几种非常简单的区域。对椭圆和一般三角形的特征值精确值，还几乎毫无所知。其他情形就更谈不上了。
将不超过 λ的特征值的个数记为N(λ)。特征值的渐近分布由N(λ)对大 λ的渐近式来刻画。这方面最早的结果是（C.H.）H.外尔在1911年得到的（外尔公式）：
式中表示Ω的面积。R.库朗将余项改进为。对于多角形区域，又有人将余项改进到。各种情况下改进余项估计的工作至今绵延不绝。外尔猜测有一个更强的结果：式中｜嬠Ω｜是区域边界之长，但尚未被证出。
与此密切相关的是下面的MP公式：(t→+0)
取一个渐近项时，用陶伯型定理可由它推出N(λ)的外尔公式。第二渐近项与外尔猜想非常相象，但由此证不出外尔猜想。第三项迟至1966年才被M.卡茨导出，后来由H.P.麦基恩与I.M.辛格严格证明,其中h表示鼓膜Ω的洞数。
特征值与膜振动频率有一个直接的换算关系，M.卡茨据此给MP公式一个非常生动的解释：可以"听出"鼓膜的面积|Ω|、周长｜嬠Ω｜和洞的个数h！由于1-h恰巧是Ω的欧拉-庞加莱示性数,是整体几何中颇受重视的一个不变量，"听出鼓形"或"谱的几何"问题立即引起人们的强烈兴趣，并导致一系列重要的研究。不过一般的特征值反问题,要求从特征值的谱完全恢复Ω,还远远没有解决。
用陶伯型定理得出N(λ)渐近式的方法，由T.卡莱曼于1934年首创，他还得到谱函数的渐近式：(λ→∞)，式中δxy当x=y时为1，当x≠y时为0。
上述关于拉普拉斯算子的结果，由L.戈尔丁和F.E.布劳德推广到 Rn的有界区域Ω上的m 阶椭圆算子。尽管推算繁杂，但结果十分简单整齐：；；式中 v(x) 表示集合{ξ｜｜A0(x,ξ)｜<1}的勒贝格测度，而是A的最高阶导数项相应的特征形式。特征展开定理亦由L.戈尔丁得出。
对于奇异情形，例如薛定谔方程 的谱问题,可以证明存在谱函数S(x，y，λ),特征展式为。由于可能出现连续谱，S(x，y，λ)一般不一定能写成前述特征函数双线和的形式。判定奇（异）微分算子谱的离散性是很有意义的工作。已经出现各种充分条件。不过关于特征值与特征函数渐近性质的研究，还只是限于少数特例。
在处理‖x‖→∞ 时V(x)→∞的情形，M.卡茨与D.雷等人曾创造了一种系统的概率方法，其中借助数学期望表出格林函数，有效地求出谱函数与特征值的渐近式：
。
当算子A的系数不光滑,或非一致椭圆，或非自共轭，以及边条件带特征参数或带非定域项等等情形，都出现不少研究结果。还有人考察Au=λBu型的特征值问题,这里A、B都是椭圆算子。
除上述问题外，特征展式的收敛性与求和法也一直受到人们的关注。
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条