SOM 异常检测
这个 Python 模块提供了一个非常简单但高效的 Kohonen 自组织映射实现，用于异常检测目的。 该想法基于以下论文：
Tian, J., Azarian, MH, Pecht, M. (2014)。 使用基于自组织图的 K 近邻算法进行异常检测。 欧洲预后与健康管理学会会议论文集。
算法简单描述
在一组正常数据（可能包含一些噪声或异常值）上训练某个维度的自组织图。
SOM 中的每个节点，计算映射到该节点的训练向量的数量，假设我们称这个数字为degree 。
删除所有度数小于某个阈值的节点。
对于要评估的数据中的每个观察，执行 k-NN wrt。 SOM 节点。 并计算到找到的节点的平均距离。 这是异常度量。
订购评估数据wrt。 到异常度量。
如何安装
安装可以通过执行：
git clone https://github.com/FlorisHoog
2021-12-04 15:15:32
321KB
1
SimpSOM（简单的自组织图）
版本1.3.4
SimpSOM是适用于Python 2.7和3的Kohonen自组织映射（SOM）的轻量级实现，可用于无监督学习，聚类和降维。
该软件包现在可以在PyPI上使用，要检索它，只需键入pip install SimpSOM或从此处下载它，然后使用python setup.py install 。
它使您可以在数据集上构建和训练SOM，保存/加载训练后的网络权重以及显示或打印具有选定功能的网络图。 函数run_colorsExample()将运行一个玩具模型，其中许多颜色将从3D RGB空间映射到2D网络映射，并根据它们在原始空间中的相似性进行聚类。
依存关系
Numpy 1.11.0（较旧的版本可能适用）；
Matplotlib 1.5.1（较旧的版本可能适用）；
Sklearn 0.15（较旧的版本可能适用）；
使用范例
这是有关如
2021-10-28 16:02:12
7.68MB
1
Kohonen的自组织地图（SOM）
背景
Teuvo Kohonen在1990年撰写的原始是第一个能够进行无监督学习的神经网络模型之一。
在算法的不同实现中，该算法几乎完全遵循原始论文。 更新功能定义为
哪里
和 是当前时代。
而且，每个神经元都与其他所有神经元相连，因此该图是 完整的图形，其中 是神经元的数量。
例
from sklearn . datasets import load_iris
from sklearn . decomposition import PCA
import matplotlib . pyplot as plt
import numpy as np
from som . mapping import SOM
dataset = load_iris ()
train = dataset . data
# Reducing the dimensiona
2021-10-15 14:45:21
723KB
1
identTREEfy-LVQ
使用 Kohonen-LVQ 型神经网络进行叶子识别
需要安装了 numpy 和 Neurolab 模块的 python
pip/easy_install numpy
pip/easy_install 神经实验室
运行它：
Pythonlvq.py
（花时间）
2021-07-14 17:03:54
15KB
1
本文算法为了求解网络入侵检测问题，主要使用有监督的Kohonen神经网络。有监督Kohonen神经网络的网络结构为38-36-5，网络训练结果受权值影响相当大。在算法初期，本文引入杂草算法对Kohonen网络进行权值寻优，目标评价以最小误差作为函数。
2021-05-12 15:40:22
91KB
1
该实验使用kohonen算法对随机生成的样本位置点进行聚类，最后筛选出有效神经元为聚类中心；没有使用库函数，matlab自编程实现；
2021-04-20 19:11:40
6KB
1