1981年芬兰 Helsink 大学的 T·Kohonen 教授提出一种自组织特征映射网 (Self-Organizing Feature Map , SOFM ), 又称 Kohonen 网 . Kohonen 认为 ,一个神经网络接受外界输入模式时, 将会分为不同的对应区域, 各区域对输入模式具有不同的响应特征,而且这个过程是自动完成的. 自组织特征映射正是根据这一看法提出来的 ,其特点与人脑的自组织特性相类似. 一.SOFM网生物学基础 生物学研究表明,在人脑感觉通道上,神经元的组织原理是

最近准备写一篇关于自组织映射 (Self-organizing map)的文章.SOM的代码很多,研究了一圈之后目前使用最顺手的是R语言的kohonen包. 这个kohonen包功能很丰富,但是接口不是特别合理.R语言包大部分是统计学家写的,功能强大,数学上严谨,但是不怎么考虑代码的规范和简洁. kohonen最重要的四个函数: som xyf supersom somgrid 这个命名的随意性容易让程序员抓狂.简单说,som和xyf是supersom的封装版本,分别对应单层SOM和双层SOM,

catalogue . SOM简介 . SOM模型在应用中的设计细节 . SOM功能分析 . Self-Organizing Maps with TensorFlow . SOM在异常进程事件中自动分类的可行性设计 . Neural gas简介 . Growing Neural Gas (GNG) Neural Network . Simple implementation of the "growing neural gas" artificial neural network .

前面两篇介绍了SOM的基本概念和算法,第一部分,第二部分,本篇具体展开一下应用中的一些trick设定. SOM设计细节 输出层设计 输出层神经元数量设定和训练集样本的类别数相关,但是实际中我们往往不能清除地知道有多少类.如果神经元节点数少于类别数,则不足以区分全部模式,训练的结果势必将相近的模式类合并为一类:相反,如果神经元节点数多于类别数,则有可能分的过细,或者是出现"死节点",即在训练过程中,某个节点从未获胜过且远离其他获胜节点,因此它们的权值从未得到过更新. 不过一般来说,如果对

0.前言 虽然很早就知道R被微软收购,也很早知道R在统计分析处理方面很强大,开始一直没有行动过...直到 直到12月初在微软技术大会,看到我软的工程师演示R的使用,我就震惊了,然后最近在网上到处了解和爬一些R的资料,看着看着就入迷了,这就是个大宝库了,以前怎么没发现,看来还是太狭隘了.直到前几天我看到这个Awesome R文档,我就静不下来了,对比了目前自己的工作和以后的方向,非常适合我.所以毫不犹豫的把这个文档汉化了,所以大家一起享受吧. 说明:本文已经提交到github,地址:https:/

http://www.cnblogs.com/wengzilin/archive/2013/04/24/3041019.html 学 习是神经网络一种最重要也最令人注目的特点.在神经网络的发展进程中,学习算法的研究有着十分重要的地位.目前,人们所提出的神经网络模型都是和学习算 法相应的.所以,有时人们并不去祈求对模型和算法进行严格的定义或区分.有的模型可以有多种算法．而有的算法可能可用于多种模型.不过,有时人们也称算法 为模型. 自从40年代Hebb提出的学习规则以来,人们相继提出了各种各样的学

转自:http://www.asimovinstitute.org/neural-network-zoo/ THE NEURAL NETWORK ZOO POSTED ON SEPTEMBER 14, 2016 BY FJODOR VAN VEEN   With new neural network architectures popping up every now and then, it's hard to keep track of them all. Knowing all the a

[翻译]Awesome R资源大全中文版来了,全球最火的R工具包一网打尽,超过300+工具,还在等什么? 阅读目录 0.前言 1.集成开发环境 2.语法 3.数据操作 4.图形显示 5.HTML部件 6.复用组件研究 7.Web技术和服务 8.并行计算 9.高性能 10.语言API 11.数据库管理 12.机器学习 13.自然语言处理 14.贝叶斯 15.最优化 16.金融 17.生物信息学 18.网络分析 19.R 开发 20.日志 21.数据包 22.其他工具 23.其他编译器 24.R学习

摘要:目前经典的统计学分析方法主要有回归分析,Logistic回归,决策树,支持向量机,聚类分析,关联分析,主成分分析,对应分析,因子分析等,那么对于这些经典的分析方法在R中的使用主要有那些程序包及函数呢? 1.线性模型~回归分析:[包]:stats  [函数]:lm(formula, data,  ...)逐步回归:step(lm(formula, data,  ...))回归诊断:influence.measure(lm(formula, data,  ...))多重共线性:kappa(XX

自组织映射神经网络, 即Self Organizing Maps (SOM), 可以对数据进行无监督学习聚类.它的思想很简单,本质上是一种只有输入层--隐藏层的神经网络.隐藏层中的一个节点代表一个需要聚成的类.训练时采用“竞争学习”的方式,每个输入的样例在隐藏层中找到一个和它最匹配的节点,称为它的激活节点,也叫“winning neuron”. 紧接着用随机梯度下降法更新激活节点的参数.同时,和激活节点临近的点也根据它们距离激活节点的远近而适当地更新参数. 所以,SOM的一个特点是,隐藏层的节点

概述 SOM是芬兰教授Teuvo Kohonen提出的一种神经网络算法,它提供一种将高维数据在低维空间进行表示的方法(通常是一维或二维).缩减向量维度的过程,叫做向量量化(vector quantisation).此外,SOM网络能保留原有数据的拓扑关系. 一个用来直观感受SOM网络规则的例子,是将3维颜色映射到二维空间,如图所示. 图1 左图的颜色是按(r,g,b)组合形式表示的,SOM网络经过学习后能他这些颜色在二维空间进行表示.如右图所示:为了让颜色聚类,相似的属性通常被发现是相邻的.这种

from: http://www.erogol.com/broad-view-machine-learning-libraries/ http://www.slideshare.net/VincenzoLomonaco/deep-learning-libraries-and-rst-experiments-with-theano FEBRUARY 6, 2014 EREN 1 COMMENT Especially, with the advent of many different and in

demo场景: 将2张静态的png格式图片组合生成一个gif图片,间隔500毫秒,关键类:AnimatedGifEncoder 如需要解析gif获取每帧的图片,可参考上一篇博客:<android 开发 解码gif图片,获取每帧bitmap> 使用方法: /** * 生成gif图片 */ void makeGif() { String path = Environment.getExternalStorageDirectory().getAbsolutePath() +"/data/d

学习是神经网络一种最重要也最令人注目的特点.在神经网络的发展进程中,学习算法的研究有着十分重要的地位.目前,人们所提出的神经网络模型都是和学习算 法相应的.所以,有时人们并不去祈求对模型和算法进行严格的定义或区分.有的模型可以有多种算法．而有的算法可能可用于多种模型.不过,有时人们也称算法 为模型. 自从40年代Hebb提出的学习规则以来,人们相继提出了各种各样的学习算法.其中以在1986年Rumelhart等提出的误差反向传播法,即BP(error BackPropagation)法影响最为广

无意中在国外论坛发现一个gif动画类,我使用它来制作了一个动态验证码 : 一:首先新建一个类库 1:新建AnimatedGifEncoder类 using System; using System.Collections.Generic; using System.Drawing; using System.IO; using System.Linq; using System.Text; namespace Common.Gif { #region Java /** * Class Anima

    博士生课程报告       视觉信息检索技术                 博 士 生:施 智 平 指导老师:史忠植 研究员       中国科学院计算技术研究所   2005年1月   目 录 第1章 基于内容的多媒体检索技术综述    3 第2章 图像特征的提取与表达    9 2.1 颜色特征的提取    9 2.2 纹理特征的提取    12 2.3 形状特征的提取    15 2.4 图像的空间关系特征    19 2.5 多维图像特征的索引    20 第3章 相似度量方法

http://blog.sina.com.cn/s/blog_98238f850102w7ik.html 目前所有的ANN神经网络算法大全 (2016-01-20 10:34:17) 转载▼ 标签: it   概述 1 BP神经网络 1.1 主要功能 1.2 优点及其局限性 2 RBF(径向基)神经网络 2.1 主要功能 2.2 优点及其局限性 3 感知器神经网络 3.1 主要功能 3.2 优点及其局限性 4 线性神经网络 4.1 主要功能 4.2优点及其局限性 5自组织神经网络 5.1 自组织

神经网络基本模型: 1.前向神经网络:无圈的有向图N=(V,E,W),其中,V为神经元集合,E为连结权值集合,W为每一连结赋予一实值的权重. 神经元集V可以被分成无接受域的输入结点集V1,无投射域的输出结点集V0和既有接受域又有投射域的隐结点集VH. 一般的前向神经网络包括一个输入层.一个输出层和若干隐单元. 隐单元可分层也可以不分层.若分层,则成为多层前向神经网络. 网络的输入.输出神经元的激励函数一般取线性函数,而隐单元则为非线性函数. 前向神经网络的输入单元从外部环境中接受信号,经处理将输

下面是几个城市的GDP等信息,根据这些信息,写一个SOM网络,使之对下面城市进行聚类.并且,将结果画在一个二维平面上. //表1中,X.为人均GDP(元):X2为工业总产值(亿元):X.为社会消费品零售总额(亿元):x.为批发零售贸易总额(亿元):x.为地区货运总量(万吨),表1中数据来自2002年城市统计年鉴. //城市 X1 X2 X3 Xa X5 北京 27527 2738.30 1494.83 3055.63 30500 青岛 29682 1212.02 182.80 598.06 29

正好刚帮某电信行业完成一个数据挖掘工作,其中的RFM模型还是有一定代表性,就再把数据挖掘RFM模型的建模思路细节与大家分享一下吧!手机充值业务是一项主要电信业务形式,客户的充值行为记录正好满足RFM模型的交易数据要求. 根据美国数据库营销研究所Arthur Hughes的研究,客户数据库中有三个神奇的要素,这三个要素构成了数据分析最好的指标:最近一次消费(Recency).消费频率(Frequency).消费金额(Monetary). 我早期两篇博文已详述了RFM思想和IBM Modeler操作