×
皮耶保罗·德乌尔索;利维亚·德乔瓦尼;里卡多·马萨里

平滑的自组织映射，用于强大的聚类。 （英语） Zbl 1461.62094号

信息科学。 512, 381-401 (2020).
摘要：本文提出了一种对异常值的存在具有鲁棒性的自组织映射（SOM），即平滑SOM（S-SOM）。S-SOM通过升级学习规则来改善标准SOM在存在离群值时的输入密度映射、矢量量化和聚类特性，以便将离群输入矢量的表示平滑到映射上。学习规则的升级基于输入向量与其最近码本之间的互补指数距离。证明了S-SOM的收敛性。三个对比仿真研究和对数字创新数据的建议性应用表明了所提出的S-SOM的鲁棒性和有效性。可以获得本文的补充材料。

引用于2文件

MSC公司：

62H30型 分类和区分；聚类分析（统计方面）
62G32型 极值统计；尾部推断
62G35型 非参数稳健性
60层10 大偏差
62第25页 统计学在社会科学中的应用

关键词：

自组织映射（SOM）;稳健的SOM;离群值;群集;指数距离;鲁棒学习规则;数字创新;社会网络分析;推特

软件：

MNM公司;开放式基金
PDF格式BibTeX公司 XML格式引用
\textit{P.D'Urso}等人，《信息科学》。512、381--401（2020；Zbl 1461.62094）
全文： 内政部 链接

参考文献：

[1] Alahakoon，D。；哈尔加穆格，S.K。；Srinivasan，B.，用于知识发现的具有控制增长的动态自组织映射，IEEE Trans。神经网络。，2011年3月11日至614日（2000年）
[2] 阿连德，H。；莫雷诺，S。；罗杰尔，C。；Salas，R.，《稳健自组织映射》，计算机科学讲义，3287179-186（2004）
[3] Bauer，H。；Herrmann，M。；Villmann，T.，神经地图和地形矢量量化，神经网络。，12, 4, 659-676 (1999)
[4] Breunig，M.M。；Kriegel，H.-P。；Ng，R.T。；Sander，J.，LOF：识别基于密度的局部异常值，ACM SIGMOD记录会议记录，29，93-104（2000），ACM
[5] Budinich，M。；Taylor，J.，关于自组织映射的排序条件，神经计算。，7, 2, 284-289 (1995)
[6] 乔杜里，V。；巴蒂亚，R。；Ahlawat，A.K.，一种具有最近和最远神经元的新型自组织映射（SOM）学习算法，Alex。《工程师杂志》，53、4、827-831（2014）
[7] 康蒂，P。；De Giovanni，L.，《关于自组织的数学处理：一些经典结果的扩展》，《国际人工神经网络会议论文集》，1809-1812（1991）
[8] WSOM 05会议后的神经网络杂志特刊。
[9] D’Urso，P。；De Giovanni，L.，不精确数据的稳健聚类，化学。智力。实验室系统。，136, 58-80 (2014)
[10] D’Urso，P。；De Giovanni，L。；Massari，R.，《通过稳健的自回归度量进行时间序列聚类及其在空气污染中的应用》，Chemom。智力。实验室系统。，141, 107-124 (2015)
[11] D’Urso，P。；马萨里，R。；De Giovanni，L。；Cappelli，C.，区间值数据基于指数距离的模糊聚类，fuzzy Optim。Decis公司。制造商。，16, 1, 51-70 (2017) ·Zbl 1428.62306号
[12] 赫尔宾，D。；布罗克曼，D。；Chadefaux，T.公司。；唐奈，K。；Blanke，美国。；Woolley-Meza，O。；穆萨伊德，M。；Johansson，A。；克劳斯，J。；Schutte，S.，《拯救人类生命：复杂科学和信息系统能做出什么贡献》，J.Stat.Phys。，158, 3, 735-781 (2015) ·Zbl 1332.91092号
[13] 休伯特，L。；Arabie，P.，比较分区，J.Classif。，2, 1, 193-218 (1985)
[14] Iordache，G.V。；博博伊拉，M.S。；波普·F。；Stratan，C。；Cristea，V.，《异质环境中遗传调度的分散策略》，OTM联合会国际会议论文集“走向有意义的互联网系统”，1234-1251（2006），Springer
[15] 贾利利，M。；Perc，M.，《复杂网络中的信息级联》，J.complex Netw。，5, 5, 665-693 (2017)
[16] Kaski，S.，《使用自组织地图进行数据探索》，《斯堪的纳维亚理工学院学报：工程数学、计算和管理丛书第82期（1997年）》·Zbl 0910.62002号
[17] Kaski，S.，《自组织地图》，《机器学习和数据挖掘百科全书》，1129-1132（2017），斯普林格出版社
[18] Kohonen，T.，《自我组织和联想记忆》（1989），Springer-Verlag:Springer-Verlag纽约·Zbl 0528.68062号
[19] Kohonen，T.，《自组织映射》，Proc。IEEE，78，9，1464-1480（1990）
[20] Kohonen，T.，《自组织地图》（1995），Springer-Verlag
[21] 李，Z。；Tang，J.，通过非负谱分析和冗余控制进行无监督特征选择，IEEE Trans。图像处理。，24, 12, 5343-5355 (2015) ·Zbl 1408.94427号
[22] 李，Z。；Tang，J。；He，X.，图像表示的稳健结构非负矩阵分解，IEEE Trans。神经网络。学习。系统。，29, 5, 1947-1960 (2018)
[23] Liebscher，S。；Kirschstein，T。；Becker，C.，洪水算法——基于多元自组织地图的稳健位置和协方差估计器，统计计算。，22, 325-336 (2012) ·Zbl 1322.62002号
[24] López-Rubio，E.，连续数据的概率自组织映射，IEEE Trans。神经网络。，21, 10, 1543-1554 (2010)
[25] 洛佩斯·卢比奥，E。；帕洛莫，E.J。；Dominguez，E.，Bregman对增长的分层自组织网络的分歧，Int.J.Neural Syst。，24, 04, 1450016 (2014)
[26] 马丁内茨，T.M。；Berkovich，S.G。；Schulten，K.J.，用于矢量量化的神经气体网络及其在时间序列预测中的应用，IEEE Trans。神经网络。，4, 558-569 (1993)
[27] 马丁内茨，T.M。；Schulten，K.J.，神经气体网络学习拓扑，（Kohonen，T.；Makisara，K.；Simula，O.；Kangas，J.，《人工神经网络国际会议论文集》（1991年），北荷兰），397-402
[28] 穆尼奥斯，A。；Muruzábal，J.，离群值检测的自组织映射，神经计算，18，1，33-60（1998）
[29] Muruzábal，J。；穆尼奥斯，A.，《通过自组织映射可视化离群值》，J.Compute。Gr.Stat.，6，4，355-382（1997）
[30] Oja，H.，《带R的多元非参数方法：基于空间符号和等级的方法》（2010），施普林格科学与商业媒体·Zbl 1269.62036号
[31] Perc，M.，《从噪音中思考》，《欧洲物理学杂志》。，27, 2, 451 (2006)
[32] Perc，M.，具有离散局部动力学的神经元介质中的空间相干共振，混沌、孤子和分形，31，1，64-69（2007）
[33] Pöllä，M。；Honkela，T。；Kohonen，T.，《自组织地图论文参考书目：2002-2005补遗》。TKK信息和计算机科学报告，技术报告，报告TKK-ICS-R24（2009）
[34] 波普·F。；Dobre，C.M。；克里斯蒂·V。；北贝西斯。；哈法·哈法，F。；Barolli，L.，云间环境中独立任务的声誉引导进化调度算法，国际期刊Web网格服务。，11, 1, 4-20 (2015)
[35] Ritter，H.，一类矢量量化过程的渐近能级密度，IEEE Trans。神经网络。，2, 1, 173-175 (1991)
[36] Ritter，H。；Schulten，K.，Kohonen拓扑守恒映射的收敛性质：涨落、稳定性和维数选择，Biol。赛博。，60, 1, 59-71 (1988) ·Zbl 0653.92026号
[37] Ritter，H。；Schulten，K.，Kohonen的自组织映射：探索其计算能力，IEEE神经网络国际会议论文集，109-116（1988），IEEE
[38] 斯特凡诺维奇，P。；Kurasova，O.，自组织映射中的异常值检测及其质量估计，神经网络。世界，28105-117（2018）
[39] 吴，K.-L。；Yang，M.-S.，Alternative c-means聚类算法，模式识别。，35, 10, 2267-2278 (2002) ·Zbl 1006.68876号
[40] 张德清。；Chen，S.-C.，“替代C-均值聚类算法”评论，模式识别。，37, 2, 173-174 (2004) ·Zbl 1058.68633号
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。