Apr, 2023

利用自组织映射（SOMs）对等离子体子团不稳定性的完全动力学模拟进行无监督分类

PDF
TL;DR本文介绍了如何利用基于自组织映射（Self-Organizing Maps，SOM）的聚类方法来分析近期产生的空间物理过程的大量仿真和观测数据，并得出了聚类图，该图可以很好地定位整个过程中各个区域的特征，因此该方法是一种有前途的数据分析工具，可以用于空间物理过程的仿真和观测数据的分析。
发现论文，激发创造
  • 一种确定性自组织映射方法及其在基于卫星数据的云类型分类中的应用

    本篇研究探讨了一种补充标准自组织映射的确定性方法，并通过卫星云数据的实验结果，展示了这种方法在数据组织和简化方面的有效性和高效性。

    Aug, 2018

  • 非欧几里得自组织映射

    本文提出了一种应用于非欧式几何的 SOM 算法，其拓扑相关扩展改善了传统 SOM 算法，可用于维度约简、聚类或在大数据中寻找相似性。

    Sep, 2021

  • 自组织映射的最小监督拓扑投射用于飞行阶段识别

    飞行阶段的识别对通用航空领域非常重要，该研究采用了一种新方法来减少监督的自组织映射 (MS-SOMs) 来进行阶段识别，结果表明该方法只需每类 30 个标记数据点就能达到或超过标签数据全文件的普通自组织映射方法的效果，并且对于飞行阶段数据的类别不平衡具有更强的健壮性。这些结果突出了有效识别飞行阶段所需的数据量很少。

    Feb, 2024

  • SOMson — 在 Kohonen 地图中的多维数据音效化

    SOMson 是一种交互式数据增强技术，通过声音化将基础数据与 Kohonen Maps 进行结合，以增加信息量，并提供整体视图。

    Mar, 2024

  • 自组织映射中的拓扑投影最小监督学习

    我们提出了一种基于自组织映射中的拓扑投射的半监督学习方法，通过利用大规模未标记数据集中的信息，显著减少了进行参数预测所需的标记数据点数量，从而有效降低了在某些领域（如电力系统、医学和工程学）中获取地面实况标记的成本。

    Jan, 2024

  • 评估自组织映射可靠性的统计工具

    本文介绍了一些工具，用于测试特定自组织映射结果的置信度，测量自组织映射的量化误差和邻域关系，并且这些工具还可以用于客观测量自组织映射与其他神经网络模型相比更不敏感的情况。

    Jan, 2007

  • 一种基于混合 SOM 和 K-means 模型的时间序列能耗聚类

    介绍了一种将自组织映射和 K 均值聚类相结合的新方法来有效聚类月度能源消耗模式，通过该方法可以增强难以找到模式的数据集的聚类结果的准确性和可解释性。实验证明了该方法在聚类任务中的有效性。

    Nov, 2023

  • 使用自组织映射进行离群值检测的自动化血细胞分析

    本文针对医学数据集中的异常检测问题，采用自组织映射法 (Self-Organizing Maps) 基于量化误差和距离地图进行无监督学习。结果表明，相对于手动指定的过滤器，自组织映射法在该数据集上的无监督异常检测的效果相当。此外，该方法在医学数据集的清理和探索中也显示出了很好的表现。未来研究可考虑将自组织映射法与深度学习相结合。

    Aug, 2022

  • 利用自组织映射 (SOM) 集成地电和地化数据对垃圾填埋场进行特征化

    垃圾场渗滤液会对周围地区产生显著影响，因此需要进行渗滤液扩散范围的划定和监测。本文采用地电数据、表面甲烷测量的集成和分类方法，利用一种 Kohonen 型神经网络生成的自组织分类图来识别垃圾场周围可能的风险区域，从而精确定位受影响的区域。

    Sep, 2023

  • 基于神经仿生无任务无监督在线学习的自维持映射模型

    持续学习中的难题是灾难性遗忘，特别是在人工神经网络（ANNs）等无监督架构中，我们提出了一种称为连续自组织映射（CSOM）的泛化模型来解决这一问题。CSOM 在低内存预算下实现在线无监督学习，在多个基准测试中获得了准确性提高近两倍以及用于自动类别增量学习设置的最新技术成果。

    Feb, 2024