×

聚类:一种神经网络方法。 (英语) Zbl 1397.62219号

摘要:聚类是一种基本的数据分析方法。它广泛应用于模式识别、特征提取、矢量量化(VQ)、图像分割、函数逼近和数据挖掘。作为一种无监督分类技术,聚类基于相似性度量识别一组对象中存在的一些固有结构。聚类方法可以基于统计模型识别[G.J.麦克拉克伦K·E·巴斯福德《混合模型:聚类的推理和应用》,纽约等:Marcel Dekker,Inc.(1988;Zbl 0697.62050号)]或竞争性学习。在本文中,我们全面概述了基于竞争学习的聚类方法。重点是一些基于竞争学习的聚类神经网络,如自组织映射(SOM)、学习矢量量化(LVQ)、神经气体和ART模型,以及聚类算法,如C均值、山/减法聚类和模糊C均值(FCM)算法。还描述了相关主题,如利用不足问题、模糊聚类、鲁棒聚类、基于非欧几里得距离测度的聚类、监督聚类、层次聚类以及聚类有效性。给出了两个示例来演示聚类方法的使用。

MSC公司:

62H30型 分类和区分;聚类分析(统计方面)
PDF格式BibTeX公司 XML格式引用
全文: 内政部

参考文献:

[1] Ahalt,S.C.公司。;Krishnamurty,A.K。;陈,P。;Melton,D.E.,矢量量化的竞争学习算法,神经网络,3,3,277-290,(1990)
[2] Al-Harbi,S.H.公司。;Rayward-Smith,V.J.,《为监督聚类调整k-means》,应用情报,24,219-226,(2006)
[3] Anderson,I.A.、Bezdek,J.C.和Dave,R.(1982年)。平面边界的多边形描述。包含:Troncale L(ed)。系统科学与科学,1,SGSR,路易斯维尔,肯塔基州(第295-301页);Anderson,I.A.、Bezdek,J.C.和Dave,R.(1982年)。平面边界的多边形描述。包含:Troncale L(ed)。系统科学与科学,1,SGSR,路易斯维尔,肯塔基州(第295-301页)
[4] Andrew,L.,实现winner-take-all细胞神经网络的鲁棒性,电路和系统上的IEEE事务-II,43,4,329-334,(1996)·Zbl 0880.68108号
[5] Angelov,P.P。;Filev,D.P.,《在线识别Takagi-sugeno模糊模型的方法》,IEEE系统事务,人与控制论-B,34,1,484-498,(2004)
[6] 球,G.H。;Hall,D.J.,《多元数据汇总的聚类技术》,《行为科学》,第12期,第153-155页,(1967年)
[7] Bandyopadhyay,S。;Maulik,美国。;Pakhira,M.K.,使用模拟退火和概率再分配进行聚类,国际模式识别和人工智能杂志,15,2,269-285,(2001)
[8] Bandyopadhyay,S。;Maulik,U.,基于k-means算法的进化技术用于优化聚类,信息科学,146221-237,(2002)·Zbl 1033.68595号
[9] Baraldi,A。;Blonda,P.,模式识别模糊聚类算法综述——第二部分,IEEE系统人与控制论事务-B,29,6,786-801,(1999)
[10] Baraldi,A。;Alpaydin,E.,建设性前馈ART聚类网络——第一部分;第二部分,IEEE神经网络交易,13,3,645-677,(2002)
[11] Baraldi,A.和Parmiggiani,F.(1997)。结合径向基函数、竞争Hebbian学习规则和模糊简化自适应共振理论的新型神经网络模型。程序SPIE第3165卷,(第98-112页);Baraldi,A.和Parmiggiani,F.(1997)。结合径向基函数、竞争Hebbian学习规则和模糊简化自适应共振理论的新型神经网络模型。程序SPIE第3165卷,(第98-112页)
[12] Ben-Hur,A。;霍恩,D。;Siegelmann,H。;Vapnik,V.,支持向量聚类,机器学习研究杂志,2125-137,(2001)·兹比尔1002.68598
[13] Beni,G。;Liu,X.,最小偏差模糊聚类方法,模式分析和机器智能IEEE事务,16,9,954-960,(1994)
[14] Bezdek,J.,模糊集的聚类有效性,控制论杂志,3,3,58-71,(1974)·Zbl 0294.68035号
[15] Bezdek,J.,模糊目标函数算法的模式识别,(1981),纽约Plenum出版社·Zbl 0503.68069号
[16] Bezdek,J.C。;Pal,N.R.,学习矢量量化的两个软关联,神经网络,8,5,729-743,(1995)
[17] Bezdek,J.C。;Pal,N.R.,《一些新的指数或聚类有效性》,IEEE系统人与控制论交易,28,301-303,(1998)
[18] Bezdek,J.C.、Tsao,E.C.和Pal,N.R.(1992年)。模糊Kohonen聚类网络。程序1 IEEE int-conf fuzzy系统(第1035-1043页);Bezdek,J.C.、Tsao,E.C.和Pal,N.R.(1992年)。模糊Kohonen聚类网络。程序1 IEEE int-conf fuzzy系统,(第1035-1043页)
[19] Boley,D.,主方向分割,数据挖掘和知识发现,2,4,325-344,(1998)
[20] Bradley,P.S.、Fayyad,U.M.和Reina,C.A.(1998年)。将EM(Expectation-maximization)集群扩展到大型数据库。微软研究院MSR-TR-98-35;Bradley,P.S.、Fayyad,U.M.和Reina,C.A.(1998年)。将EM(Expectation-maximization)集群扩展到大型数据库。微软研究院MSR-TR-98-35
[21] 布拉德利,P.S。;Mangasarian,O.L。;Steet,W.N.,通过凹形最小化聚类,(),368-374
[22] 布鲁姆黑德,D.S。;Lowe,D.,多变量函数插值和自适应网络,复杂系统,2321-355,(1988)·Zbl 0657.68085号
[23] 布鲁斯克,J。;Sommer,G.,《动态细胞结构》,(),497-504
[24] 布鲁松。;Prieto,D.F.,径向基函数神经网络的监督训练技术,电子信件,34,11,1115-1116,(1998)
[25] 巴克利,J.J。;Eslami,E.,《模糊逻辑和模糊集导论》,(2002),海德堡物理出版社·Zbl 0985.0302号
[26] Buhmann,J。;Kuhnel,H.,带复杂度成本的矢量量化,IEEE信息理论交易,39,4,1133-1145,(1993)·兹比尔0804.94008
[27] Burke,L.I.,自适应共振的聚类特征,神经网络,4,4,485-491,(1991)
[28] 卡尔弗特,B.D。;Marinov,C.A.,《另一个K-winners-take-all模拟神经网络》,IEEE神经网络事务,11,4,829-838,(2000)
[29] 卡马斯塔,F。;Verri,A.,一种新的聚类核心方法,IEEE模式分析和机器智能事务,27,5,801-805,(2005)
[30] 曹毅。;Wu,J.,用于在高维空间中聚类数据集的投影ART,神经网络,15105-120,(2002)
[31] Carpenter,G.A.,ART和ARTMAP神经网络的分布式学习、识别和预测,神经网络,101473-1494,(1997)
[32] Carpenter,G.A.(2003年)。默认ARTMAP。神经网络过程联合控制第2卷(第1396-1401页);Carpenter,G.A.(2003年)。默认ARTMAP。神经网络过程联合控制第2卷(第1396-1401页)
[33] 卡彭特,G.A。;Grossberg,S.,自组织神经模式识别机的大规模并行架构,计算机视觉,图形,图像处理,37,54-115,(1987)·Zbl 0634.68089号
[34] 卡彭特,G.A。;Grossberg,S.,ART 2:模拟输入模式稳定类别识别码的自组织,应用光学,264919-4930,(1987)
[35] 卡彭特,G.A。;Grossberg,S.,《自组织神经网络自适应模式识别的ART》,《计算机》,2177-88,(1988)
[36] 卡彭特,G.A。;Grossberg,S.,ART 3:在自组织模式识别体系结构中使用化学发射器的分层搜索,神经网络,3129-152,(1990)
[37] 卡彭特,G。;Grossberg,S。;Rosen,D.B.,Fuzzy ART:通过自适应共振系统快速稳定学习和分类模拟模式,神经网络,4759-771,(1991)
[38] Carpenter,G.、Grossberg,S.和Rosen,D.B.(1991b)。ART 2-A:一种用于快速类别学习和识别的自适应共振算法,神经网络过程联合控制,第2卷,(第151-156页)另见:神经网络4:493-504;Carpenter,G.、Grossberg,S.和Rosen,D.B.(1991b)。ART 2-A:一种用于快速类别学习和识别的自适应共振算法,神经网络过程联合控制第2卷,(第151-156页)另外:神经网络4:493-504
[39] 卡彭特,G.A。;Grossberg,S。;Reynolds,J.H.,ARTMAP:通过自组织神经网络对非平稳数据进行监督实时学习和分类,神经网络,4,5655-588,(1991)
[40] 卡彭特,G.A。;Grossberg,S。;马库森,N。;雷诺兹,J.H。;Rosen,D.B.,Fuzzy ARTMAP:模拟多维映射增量监督学习的神经网络架构,IEEE神经网络事务,3698-713,(1992)
[41] 卡彭特,G.A。;Markuzon,N.,ARTMAP-IC与医学诊断:实例计数和不一致病例,神经网络,11323-336,(1998)
[42] 卡彭特,G.A。;Ross,W.D.,ART-EMAP:通过证据积累进行对象识别的神经网络架构,IEEE神经网络事务,6,4805-818,(1995)
[43] Celeux,G。;Govaert,G.,用于聚类的分类EM算法和两种随机版本,计算统计和数据分析,14,315-332,(1992)·Zbl 0937.62605号
[44] Chen,C.L。;陈,W.C。;Chang,F.Y.,高斯势函数网络的混合学习算法,IEE-D论文集,140,6,442-448,(1993)·Zbl 0799.68161号
[45] Cheng,T.W。;戈德戈夫,D.B。;霍尔,L.O.,《快速模糊聚类,模糊集和系统》,93,49-56,(1998)·Zbl 0920.68123号
[46] Cheung,Y.M.,K*-means:一种新的广义K-means聚类算法,模式识别字母,242883-2893,(2003)·Zbl 1073.68734号
[47] 蒋,J。;Hao,P.,一种新的基于核的模糊聚类方法:支持向量聚类与细胞生长,模糊系统上的IEEE事务,11,4,518-527,(2003)
[48] Chinrunrueng,C。;Sequin,C.H.,学习率动态调整的最优自适应k-means算法,IEEE神经网络事务,6,1,157-169,(1995)
[49] Chiu,S.,基于聚类估计的模糊模型识别,《智能与模糊系统杂志》,2,3,267-278,(1994)
[50] Chiu,S.L.(1994年b)。一种扩展到模糊模型辨识的聚类估计方法。程序IEEE int-conf fuzzy系统第2卷,(第1240-1245页);Chiu,S.L.(1994年b)。一种扩展到模糊模型辨识的聚类估计方法。程序IEEE int-conf fuzzy系统第2卷,(第1240-1245页)
[51] Choi,D.I。;Park,S.H.,自创建和组织神经网络,IEEE神经网络交易,5,4,561-575,(1994)
[52] Choy,C.S.T。;Siu,W.C.,一类避免神经元利用不足问题的竞争学习模型,IEEE神经网络事务,9,6,1258-1269,(1998)
[53] Choy,C.S.T.公司。;Siu,W.C.,矢量量化神经气体网络的快速顺序实现,IEEE通信事务,46,3,301-304,(1998)
[54] Chua,L.O。;Yang,L.,细胞神经网络——第一部分:理论;第二部分:应用,IEEE电路系统交易,3511257-1290,(1988)
[55] Chung,F.L。;Lee,T.,模糊竞争学习,神经网络,7,3,539-551,(1994)
[56] 科查多,J。;Fyfe,C.,实例化基于案例推理系统的内核方法的比较,计算和信息系统,7,29-42,(2000)
[57] 科特雷尔,M。;伊布,S。;Letremy,P.,基于SOM的定性变量算法,神经网络,17,1149-1167,(2004)·Zbl 1078.68118号
[58] Dave,R.N.,Fuzzy-shell聚类及其在数字图像圆检测中的应用,国际通用系统杂志,16,343-355,(1990)·Zbl 0701.62071号
[59] Dave,R.N.,《聚类中噪声的表征和检测》,模式识别字母,12657-664,(1991)
[60] Dave,R.N。;Krishnapuram,R.,《稳健聚类方法:统一视图》,IEEE模糊系统事务,5,2,270-293,(1997)
[61] Dave,R.N。;Sen,S.,关系数据的稳健模糊聚类,模糊系统上的IEEE事务,10,6,713-727,(2002)
[62] Davies,D.L。;Bouldin,D.W.,集群分离度量,IEEE模式分析和机器智能事务,1,4,224-227,(1979)
[63] 邓普西,G.L。;McVey,E.S.,峰值检测器神经网络的电路实现,电路和系统上的IEEE事务-II,40,585-591,(1993)
[64] 邓普斯特,A.P。;新墨西哥州莱尔德。;鲁宾,D.B.,《通过EM算法从不完整数据中获取最大似然》,皇家统计学会杂志B,39,1,1-38,(1977)·Zbl 0364.62022号
[65] Delport,V.,《使用并行模拟退火和进化选择混合系统进行矢量量化的码本设计》,《电子通讯》,32,13,1158-1160,(1996)
[66] Desieno,D.(1988年)。为竞争性学习增添良知。Proc IEEE int-conf神经网络第1卷(第117-124页);Desieno,D.(1988年)。为竞争性学习增添良知。处理IEEE int conf神经网络第1卷(第117-124页)
[67] 丁,C.,和何,X.(2004)。基于主成分分析的k-均值聚类的聚类结构。在:第八届太平洋亚洲知识发现数据挖掘进展会议(PAKDD 2004)(第414-418页);丁,C.,和何,X.(2004)。基于主成分分析的k-均值聚类的聚类结构。在:第八届太平洋亚洲知识发现数据挖掘进展会议(PAKDD 2004)(第414-418页)
[68] Du,K.L.公司。;Swamy,M.N.S.,《软计算框架中的神经网络》(2006),施普林格伦敦·Zbl 1101.68757号
[69] 杜达,R.O。;Hart,P.E.,模式分类和场景分析,(1973),威利纽约·Zbl 0277.68056号
[70] Dunn,J.C.,一种新的模糊划分算法及其在模式分类问题中的应用的一些最新研究,控制论杂志,4,1-15,(1974)·Zbl 0304.68094号
[71] El-Sonbaty,Y。;Ismail,M.,符号数据的模糊聚类,模糊系统上的IEEE事务,6,2,195-204,(1998)
[72] Ester,M.、Kriegel,H.P.、Sander,J.和Xu,X.(1996年)。一种基于密度的算法,用于在带有噪声的大型空间数据库中发现簇。知识发现和数据挖掘第二阶段(KDD-96)(第226-231页);Ester,M.、Kriegel,H.P.、Sander,J.和Xu,X.(1996年)。一种基于密度的算法,用于在带有噪声的大型空间数据库中发现簇。知识发现和数据挖掘第二阶段(KDD-96)(第226-231页)
[73] O.Etzioni,《万维网:泥潭还是金矿?》?,ACM通讯,39,11,65-68,(1996)
[74] Flanagan,J.A.,kohonen SOM中的自组织,神经网络,9,7,1185-1197,(1996)
[75] 弗里古伊,H。;Krishnapuram,R.,《计算机视觉中应用的稳健竞争聚类算法》,IEEE模式分析和机器智能事务,21,5,450-465,(1999)
[76] Fritzke,B.,《生长细胞结构——用于无监督和监督学习的自组织神经网络》,神经网络,7,9,1441-1460,(1994)
[77] Fritzke,B.,成长中的神经气体网络学习拓扑,(),625-632
[78] Fritzke,B.,Growing grid-A具有恒定邻域范围和自适应强度的自组织网络,神经处理字母,2,5,9-13,(1995)
[79] Fritzke,B.,可以遵循非平稳分布的自组织网络,(),613-618
[80] Fritzke,B.,《矢量量化的LBG-U方法——受神经网络启发对LBG的改进》,《神经处理信件》,5,1,35-45,(1997)
[81] Fukushima,K.,Neocognitron:不受位置变化影响的模式识别机制的自组织神经网络模型,生物控制论,36193-202,(1980)·Zbl 0419.92009号
[82] Furao,S.和Hasegawa,O.(2005)。用于在线无监督分类和拓扑学习的增量网络。神经网络(印刷版);Furao,S.和Hasegawa,O.(2005)。用于在线无监督分类和拓扑学习的增量网络。神经网络(印刷版)·Zbl 1093.68079号
[83] Gao,K.、Ahmad,M.O.和Swamy,M.N.S.(1991年)。利用自组织神经网络进行非线性信号处理。Proc IEEE集成电路系统第3卷(第1404-1407页);Gao,K.、Ahmad,M.O.和Swamy,M.N.S.(1991年)。利用自组织神经网络进行非线性信号处理。程序IEEE int-sym电路系统第3卷(第1404-1407页)
[84] 加特,I。;Geva,A.B.,无监督最优模糊聚类,IEEE模式分析和机器智能事务,11,7,773-781,(1989)·Zbl 0709.62592号
[85] 加特,I。;Hoory,D.,椭圆环形簇的模糊聚类,模式识别字母,16727-741,(1995)
[86] Gersho,A.,渐近最优块量化,IEEE信息理论事务,25,4,373-380,(1979)·Zbl 0409.94013号
[87] Geva,A.B.,分层无监督模糊聚类,模糊系统上的IEEE事务,7,6,723-733,(1999)
[88] Girolma,M.,特征空间中基于Mercer核的聚类,IEEE神经网络事务,13,3,780-784,(2002)
[89] 冈萨雷斯,J。;罗哈斯,I。;Pomares,H。;奥尔特加,J。;Prieto,A.,《函数逼近的新聚类技术》,IEEE神经网络事务,13,1,132-142,(2002)
[90] Grossberg,S.,自适应模式分类和通用记录:I.神经特征检测器的并行开发和编码;二、。反馈、期望、嗅觉和错觉,生物控制论,23121-134,(1976),187-202·Zbl 0339.92004号
[91] Grossberg,S.,《竞争性学习:从迭代激活到适应性共振》,认知科学,11,23-63,(1987)
[92] Guha,S。;Rastogi,R。;Shim,K.,CURE:大型数据库的高效聚类算法,信息系统,26,1,35-58,(2001)·Zbl 1006.68661号
[93] Gustafson,D.E.和Kessel,W.(1979年)。模糊协方差矩阵的模糊聚类程序IEEE控制决策(第761-766页);Gustafson,D.E.和Kessel,W.(1979年)。模糊协方差矩阵的模糊聚类程序IEEE控制决策(第761-766页)·Zbl 0448.62045号
[94] Hamker,F.H.,《终身学习细胞结构——无灾难性干扰的持续学习》,神经网络,14,551-573,(2001)
[95] 锤子,B。;Micheli,A。;Sperduti,A。;Strickert,M.,递归自组织网络模型,神经网络,17,1061-1085,(2004)·兹比尔1101.68761
[96] R.J.海瑟薇。;Bezdek,J.C.,NERF C-means:非欧几里德回归模糊聚类,模式识别,27429-437,(1994)
[97] R.J.海瑟薇。;Bezdek,J.C.,使用范数距离的广义模糊C均值聚类策略,模糊系统上的IEEE事务,8,5,576-582,(2000)
[98] R.J.海瑟薇。;Bezdek,J.C.,模糊C均值不完全数据聚类,IEEE系统人与控制论事务-B,31,5,735-744,(2001)
[99] He,J。;Tan,A.H。;Tan,C.L.,能够生成固定数量节点的改进ART 2A增长网络,神经网络上的IEEE事务,15,3,728-737,(2004)
[100] Hoeppner,F.,图像处理中的模糊壳聚类算法:模糊C矩形和2矩形壳,模糊系统上的IEEE事务,5,4,599-613,(1997)
[101] 霍普菲尔德,J.J.,《具有突发集体计算能力的神经网络和物理系统》,《国家科学院学报》,79,2554-2558,(1982)·Zbl 1369.92007号
[102] Huber,P.J.,《稳健统计》(1981),威利纽约·Zbl 0536.62025号
[103] 洪,C。;Lin,S.,《自适应汉明网络:无搜索的快速学习ART 1模型》,神经网络,8,4,605-618,(1995)
[104] 亨茨伯格,T.L。;Ajjimarangsee,P.,无监督模式识别的并行自组织特征图,国际通用系统杂志,16,357-372,(1990)
[105] Jain,A。;Murty,M。;Flynn,P.,《数据聚类:综述》,ACM计算调查,31,3,264-323,(1999)
[106] Kanungo,T。;Mount,D.M.公司。;内塔尼亚胡,N.S。;皮亚特科,C.D。;西尔弗曼,R。;Wu,A.Y.,一种有效的k-means聚类算法:分析与实现,IEEE模式分析与机器智能事务,24,7,881-892,(2002)
[107] Kasuba,T.,简化模糊ARTMAP,人工智能专家,8,11,18-25,(1993)
[108] Karayiannis,N.B.,构建用于学习矢量量化的模糊算法的方法,IEEE神经网络事务,8,3,505-518,(1997)
[109] Karayiannis,N.B.,《软学习矢量量化和聚类的公理方法》,IEEE神经网络事务,10,5,1153-1165,(1999)
[110] Karayiannis,N.B。;Bezdek,J.C.,《模糊学习矢量量化和模糊C均值聚类的综合方法》,IEEE模糊系统事务,5,4,622-628,(1997)
[111] Karayiannis,N.B。;Bezdek,J.C。;帕尔,N.R。;R.J.海瑟薇。;Pai,P.I.,修复GLVQ:一个新的竞争学习方案家族,IEEE神经网络事务,7,51062-1071,(1996)
[112] Karayiannis,N.B。;Pai,P.I.,学习矢量量化的模糊算法,IEEE神经网络事务,71196-1211,(1996)
[113] Karayiannis,N.B。;Mi,G.W.,成长径向基神经网络:将有监督和无监督学习与网络成长技术相结合,IEEE神经网络事务,8,6,1492-1506,(1997)
[114] Karayiannis,N.B。;Randolph-Gips,M.M.,基于非欧几里德规范的软学习矢量量化和聚类算法:多形式算法,IEEE神经网络事务,14,1,89-102,(2003)
[115] Karypis,G。;韩,E.H。;库马尔,V.,《变色龙:使用动态建模覆盖特征的层次聚类》,《计算机》,12,68-75,(1999)
[116] Kaymak,美国。;Setnes,M.,具有体积原型的模糊聚类和自适应聚类合并,模糊系统上的IEEE事务,10,6,705-712,(2002)
[117] Kersten,P.R.,模糊顺序统计及其在模糊聚类中的应用,模糊系统上的IEEE事务,7,6,708-712,(1999)
[118] Kim,D.W。;Lee,K.Y。;Lee,D。;Lee,K.H.,一种基于核的减法聚类方法,模式识别字母,26879-891,(2005)
[119] Kohonen,T.,拓扑正确特征图的自组织形成,生物控制论,43,59-69,(1982)·Zbl 0466.9202号
[120] Kohonen,T.,自组织和联想记忆,(1989),柏林施普林格出版社·Zbl 0528.68062号
[121] Kohonen,T.,《自组织映射》,IEEE学报,781464-1480,(1990)
[122] Kohonen,T.,自适应子空间自组织映射中不变量特征检测器的出现,生物控制论,75,281-291,(1996)·Zbl 0861.92001号
[123] Kohonen,T.,《自组织地图》(1997),柏林施普林格出版社·Zbl 0866.68085号
[124] Kohonen,T.、Kangas,J.、Laaksonen,J.和Torkkola,K.(1992年)。LVQPAK:正确应用学习矢量量化算法的程序包。神经网络过程联合控制第1卷(第725-730页);Kohonen,T.、Kangas,J.、Laaksonen,J.和Torkkola,K.(1992年)。LVQPAK:正确应用学习矢量量化算法的程序包。神经网络过程联合控制,第1卷(第725-730页)
[125] Kohonen,T。;Oja,E。;Simula,O。;Visa,A。;Kangas,J.,自组织映射的工程应用,IEEE学报,84,10,1358-1384,(1996)
[126] Kolen,J。;Hutcheson,T.,降低模糊均值算法的时间复杂度,IEEE模糊系统事务,10,2263-267,(2002)
[127] Krishna,K。;Murty,M.N.,《遗传k-means算法》,IEEE系统人与控制论事务-B,29,3,433-439,(1999)
[128] Krishnamurthy,A.K。;南卡罗来纳州Ahalt。;梅尔顿,D.E。;Chen,P.,语音和图像矢量量化的神经网络,IEEE通讯选定领域杂志,8,8,1449-1457,(1990)
[129] 克里希纳普兰,R。;O.Nasraoui。;Frigui,H.,《模糊c球壳算法:一种新方法》,IEEE神经网络事务,3,5,663-671,(1992)
[130] Krishnapuram,R。;Keller,J.M.,聚类的可能性方法,模糊系统上的IEEE事务,1,2,98-110,(1993)
[131] Krishnapuram,R。;Kim,J.,基于体积标准的聚类算法,模糊系统上的IEEE事务,8,2,228-236,(2000)
[132] Lazzaro,J。;Lyckebusch,S。;Mahowald,文学硕士。;Mead,C.A.,Winner-take-所有O(n)复杂性网络,(),703-711
[133] Leski,J.,走向稳健模糊聚类,模糊集与系统,137215-233,(2003)
[134] Leski,J.M.,广义加权条件模糊聚类,模糊系统上的IEEE事务,11,6,709-715,(2003)
[135] Lin,J.S.,使用补偿模糊Hopfield网络的模糊聚类,神经处理信件,10,35-48,(1999)
[136] Lin,J.S。;郑,K.S。;Mao,C.W.,用于医学图像分割的模糊Hopfield神经网络,IEEE核科学学报,43,4,2389-2398,(1996)
[137] 林德,Y。;Buzo,A。;Gray,R.M.,矢量量化器设计算法,IEEE通信事务,28,84-95,(1980)
[138] Lippman,R.P.,《神经网络计算导论》,IEEE ASSP杂志,4,2,4-22,(1987)
[139] 刘振强。;格利克曼,M。;张义杰,软竞争学习范式,(),131-161·兹比尔0969.68531
[140] 刘,S.H。;Lin,J.S.,用于矢量量化码本设计的补偿模糊Hopfield神经网络,国际模式识别与人工智能杂志,14,8,1067-1079,(2000)
[141] Lo,Z.P。;Bavarian,B.,关于拓扑保持神经网络的收敛速度,生物控制论,65,55-63,(1991)·Zbl 0731.92002号
[142] Luk,A.和Lien,S.(1998年)。通过乐透式比赛进行学习。神经网络过程联合控制第2卷(第1143-1146页);Luk,A.和Lien,S.(1998年)。通过彩票比赛学习。神经网络过程联合控制第2卷(第1143-1146页)
[143] Luk,A.和Lien,S.(1999年)。乐透型竞争学习及其稳定性。在:神经网络过程联合控制第2卷(第1425-1428页);Luk,A.和Lien,S.(1999年)。乐透型竞争学习及其稳定性。在:神经网络过程联合控制第2卷(第1425-1428页)
[144] MacQueen,J.B.(1967年)。多元观测值分类和分析的一些方法。第五届伯克利数学统计与概率研讨会加州大学伯克利分校出版社(第281-297页);MacQueen,J.B.(1967年)。多元观测值分类和分析的一些方法。第五届伯克利数学统计与概率研讨会加州大学伯克利分校出版社(第281-297页)·Zbl 0214.46201号
[145] Majani,E。;Erlanson,R。;Abu-Mostafa,Y.,《关于k-winners-take-all网络》,(),634-642
[146] Man,Y。;Gath,I.,使用模糊聚类检测和分离环形簇,IEEE模式分析和机器智能事务,16,8,855-861,(1994)
[147] 曼恩,J.R。;Gilbert,S.,模拟自组织神经网络芯片,(),739-747
[148] 毛,J。;Jain,A.K.,超椭圆体聚类的自组织网络(HEC),IEEE神经网络事务,7,1,16-29,(1996)
[149] Martinetz,T.M.(1993)。竞争Hebbian学习规则形成了完美的拓扑保持映射。人工神经网络过程(ICANN)(第427-434页);Martinetz,T.M.(1993)。竞争Hebbian学习规则形成了完美的拓扑保持映射。人工神经网络程序(ICANN)(第427-434页)
[150] 马丁内茨(T.M.Martinetz)。;Berkovich,S.G.公司。;Schulten,K.J.,向量量化的Neural-gas网络及其在时间序列预测中的应用,IEEE神经网络事务,4,4,558-569,(1993)
[151] 马丁内茨(T.M.Martinetz)。;Schulten,K.J.,拓扑表示网络,神经网络,7507-522,(1994)
[152] Massey,L.,论ART1文本聚类的质量,神经网络,16771-78.(2003)
[153] 麦克拉克伦,G。;Basford,K.,《混合模型:聚类的推理和应用》,(1988),Marcel Dekker New York·Zbl 0697.62050号
[154] 穆迪,J。;Darken,C.J.,局部调谐处理单元网络中的快速学习,神经计算,1,2,281-294,(1989)
[155] Moore,B.,ART和模式聚类,(),174-183
[156] Obermayer,K。;Ritter,H。;Schulten,K.,《皮层特征图的发展和空间结构:模型研究》,(),11-17
[157] Odorico,R.,带训练计数的学习矢量量化(LVQTC),神经网络,10,6,1083-1088,(1997)
[158] 帕尔,N.R。;Bezdek,J.C。;Tsao,E.C.K.,广义聚类网络和kohonen的自组织方案,IEEE神经网络事务,4,2,549-557,(1993)
[159] 帕尔,N.R。;Chakraborty,D.,Mountain和减法聚类法:改进和推广,国际智能系统杂志,15,329-341,(2000)·Zbl 0949.68561号
[160] Patane,G。;Russo,M.,增强LBG算法,神经网络,14,1219-1237,(2001)
[161] 佩德里茨,W。;Waletzky,J.,带部分监督的模糊聚类,IEEE系统人与神经系统交易-B,27,5,787-795,(1997)
[162] Pedrycz,W.,径向基函数神经网络设计中的条件模糊聚类,IEEE神经网络事务,9,4,601-612,(1998)
[163] 理查德·J。;卡尔,F。;Muller,C.,模糊理论、模拟退火和凸对偶之间的联系,模糊集和系统,96,307-334,(1998)
[164] Ritter,H.,非欧几里德空间中的自组织映射,(),97-108·Zbl 0945.68152号
[165] Rose,K.,聚类、压缩、分类、回归和相关优化问题的确定性退火,IEEE学报,86,11,2210-2239,(1998)
[166] Rose,K。;古雷维茨,E。;Fox,G.C.,聚类的确定性退火方法,模式识别字母,11,9589-594,(1990)·Zbl 0800.68817号
[167] 罗维塔,S。;Zunino,R.,用模拟电路实现神经气体矢量量化器的有效训练,电路和系统上的IEEE事务-II,46,6,688-698,(1999)
[168] Rumelhart,D.E。;辛顿,G.E。;威廉姆斯,R.J.,通过错误传播学习内部表征,(),318-362
[169] Rumelhart,医学博士。;Zipser,D.,通过竞争性学习发现特征,认知科学,975-112,(1985)
[170] 伦克勒,T.A。;Bezdek,J.C.,《交替聚类估计:聚类和函数近似的新工具》,IEEE模糊系统事务,7,4,377-393,(1999)
[171] 佐藤。;Yamada,K.,广义学习矢量量化,(),423-429
[172] 肖尔科夫,B。;Smola,A。;Muller,K.R.,作为核心特征值问题的非线性分量分析,神经计算,101299-1319,(1998)
[173] 塞勒,G。;Nossek,J.,Winner-take-all细胞神经网络,电路和系统IEEE事务-II,40,3,184-190,(1993)·兹比尔0800.92049
[174] Serrano-Gotarredona,T。;Linares-Barranco,B.,更适合VLSI实现的改进ART 1算法,神经网络,9,6,1025-1043,(1996)
[175] Shih,F.Y。;莫,J。;Chang,F.C.,一种新的基于ART的无先验知识模式分类和图像增强神经结构,模式识别,25,5,533-542,(1992)
[176] Simpson,P.K.,模糊最小-最大神经网络-第一部分分类,IEEE神经网络事务,3776-786,(1992)
[177] Simpson,P.K.,模糊最小-最大神经网络-第二部分:聚类,模糊系统上的IEEE事务,1,1,32-45,(1993)
[178] Sohn,I。;Ansari,N.,《配置RBF神经网络》,电子信件,34,7,684-685,(1998)
[179] Staiano,A.、Tagliaferri,R.和Pedrycz,W.(2006年)。通过监督模糊聚类提高RBF网络在回归任务中的性能。神经计算(印刷版);Staiano,A.、Tagliaferri,R.和Pedrycz,W.(2006年)。通过监督模糊聚类提高RBF网络在回归任务中的性能。神经计算(印刷版)·Zbl 1128.68436号
[180] 斯特里克特,M。;Hammer,B.,时间数据的合并SOM,神经计算,64,39-71,(2005)
[181] 苏,M.C。;Chou,C.H.,基于簇对称的距离的K-means算法的修改版本,模式分析和机器智能IEEE事务,23,6,674-680,(2001)
[182] 苏,M.C。;Liu,Y.C.,一种新的任意形状数据聚类方法,模式识别,381887-1901,(2005)·Zbl 1077.68809号
[183] Sum,J.P.F.公司。;梁振英,C.S。;Tam,P.K.S。;Young,G.H。;Kan,W.K。;Chan,L.W.,一类winner-take-all模型的分析,IEEE神经网络事务,10,1,64-71,(1999)
[184] 斯瓦米,M.N.S。;Thurasiraman,K.,《图、网络和算法》(1981),威利纽约·兹伯利0528.94034
[185] Tam,P.K.S.、Sum,J.、Leung,C.S.和Chan,L.W.(1996年)。一般类型WTA的网络响应时间。神经信息处理的进展:神经信息处理过程第1卷(第492-495页);Tam,P.K.S.、Sum,J.、Leung,C.S.和Chan,L.W.(1996年)。一般类型WTA的网络响应时间。神经信息处理的进展:Proc-int-conf神经信息处理第1卷(第492-495页)
[186] 图拉西拉曼,K。;Swamy,M.N.S.,《图:理论和算法》,(1992年),威利纽约·Zbl 0766.05001号
[187] Tou,J.T。;Gonzalez,R.C.,模式识别原理,(1976),马萨诸塞州艾迪森·韦斯利·雷丁·Zbl 0299.68058号
[188] Tsekouras,G。;Sarimveis,H。;Kavakli,E。;Bafas,G.,模糊建模的层次模糊聚类方法,模糊集与系统,150,2,245-266,(2004)·Zbl 1142.93311号
[189] Tsypkin,Y.Z.,《学习理论基础》,(1973),纽约学术出版社
[190] Urahama,K。;Nagao,T.,K-winners-take-all电路O(N)复杂性,IEEE神经网络事务,6776-778,(1995)
[191] 乌兹别克斯坦。;古泽利斯,C。;Celebi,M.E。;Koivo,H.N.,用于确定RBFN中心的输入输出聚类分析,IEEE神经网络事务,11,4,851-858,(2000)
[192] 马萨诸塞州瓦基尔·巴赫米什。;Pavesic,N.,《快速简化模糊ARTMAP网络》,《神经处理信件》,第17期,第273-316页,(2003年)
[193] Verzi,S.J.、Heileman,G.L.、Georgiopoulos,M.和Anagostopoulos,G.C.(2003年)。模糊ART和模糊ARTMAP的通用逼近。神经网络过程联合控制,第3卷(第1987-1992页);Verzi,S.J.、Heileman,G.L.、Georgiopoulos,M.和Anagostopoulos,G.C.(2003年)。模糊ART和模糊ARTMAP的通用逼近。神经网络过程联合控制第3卷(第1987-1992页)
[194] 韦桑托,J。;Alhoniemi,E.,自组织映射的聚类,IEEE神经网络事务,11,3,586-600,(2000)
[195] von der Malsburg,C.,纹状体皮层定向敏感细胞的自组织,Kybernetik,14,85-100,(1973)
[196] Wang,J.H。;Rau,J.D.,VQ聚集:一种新的聚类方法,IEE会议记录-视觉图像和信号处理,148,1,36-44,(2001)
[197] Williamson,J.,Gaussian ARTMAP:一种用于噪声多维地图快速增量学习的神经网络,神经网络,9,5,881-897,(1996)
[198] Wilpon,J.G。;Rabiner,L.R.,用于孤立工作识别的改进K-means聚类算法,IEEE声学、语音和信号处理事务,33,3,587-594,(1985)
[199] 谢晓乐。;Beni,G.,模糊聚类的有效性度量,IEEE模式分析和机器智能事务,13,841-847,(1991)
[200] 熊,H。;斯瓦米,M.N.S。;Ahmad,医学博士。;King,I.,Branching competitive learning network:A new self-creating model,IEEE transactions on neural networks,第15、2、417-429页,(2004)
[201] 徐,L。;Krzyzak,A。;Oja,E.,Rival惩罚竞争学习的聚类分析、RBF网络和曲线检测,IEEE神经网络事务,4,4,636-649,(1993)
[202] Xu,R。;Wunsch,D.,聚类算法综述,IEEE神经网络事务,16,3,645-678,(2005)
[203] Yager,R。;Filev,D.,通过山聚类生成模糊规则,智能模糊系统杂志,2,3,209-219,(1994)
[204] Yager,R.R。;Filev,D.,通过山方法的近似聚类,IEEE系统人与控制论事务,24,8,1279-1284,(1994)
[205] 耶尔,E。;Zeger,K。;Gersho,A.,矢量量化器设计的竞争学习和软竞争,IEEE信号处理事务,40,2,294-309,(1992)
[206] Yang,M.S.,关于一类模糊分类最大似然过程,模糊集与系统,57365-375,(1993)·Zbl 0807.62049号
[207] Yang,T.N。;Wang,S.D.,噪声数据聚类的竞争算法,模糊集和系统,141281-299,(2004)·Zbl 1045.62062号
[208] Yen,J.C。;郭J.I。;Chen,H.C.,新型k-winners-take-all神经网络及其阵列结构,IEEE神经网络事务,9,5,901-912,(1998)
[209] Yu,J。;Yang,M.S.,广义FCM的最优检验及其在参数选择中的应用,模糊系统上的IEEE事务,13,1,164-176,(2005)
[210] Zahn,C.T.,检测和描述格式塔簇的图论方法,计算机上的IEEE事务,20,68-86,(1971)·Zbl 0264.68040号
[211] Zhang,T.、Ramakrishnan,R.和Livny,M.(1996)。BIRCH:一种用于超大数据库的高效数据聚类方法。在:Proc ACM SIGMOD关于数据管理的会议(第103-114页);Zhang,T.、Ramakrishnan,R.和Livny,M.(1996)。BIRCH:一种用于超大数据库的高效数据聚类方法。在:ACM SIGMOD数据管理程序(第103-114页)
[212] 张义杰。;Liu,Z.Q.,《自分裂竞争学习:一种新的在线聚类范式》,IEEE神经网络事务,13,2369-380,(2002)
[213] Zheng,G.L.公司。;Billings,S.A.,《增强的顺序模糊聚类算法》,《国际系统科学杂志》,30,3,295-307,(1999)·Zbl 1113.62334号
此参考列表基于出版商或数字数学图书馆提供的信息。它的项目与zbMATH标识符启发式匹配,并且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。