自组织神经网络和K-means聚类算法的比较分析，徐步云，倪禾，本文主要是研究自组织神经网络作为一种具有拓扑限制的，以特征提取为主要手段的聚类算法，并与传统的K-means算法进行比较分析，并��

自组织映射（SOM）网络，也被称为 Kohonen 网络或者胜者独占单元（WTU），在大脑中，不同的感官输入以拓扑顺序的方式呈现，是受人脑特征启发而提出的一种非常特殊的神经网络。 与其他神经网络不同，SOM 神经元之间并不是通过权重相互连接的，相反，它们能够影响彼此的学习。SOM 最重要的特点是神经元以拓扑方式表示所学到的输入信息。 在 SOM 中，神经元通常放置在（一维或二维）网格的节点处，更高的维数也可以用，但实际很少使用。网格中的每个神经元都可以通过权重矩阵连接到所有输入单元。

自组织竞争神经网络SOM,包括讲课、作业、文献等

该软件包包含： 1、最近推出的自组织模糊逻辑（SOF）分类器； 2. 演示。 参考：X. Gu、P. Angelov，“自组织模糊逻辑分类器”，信息科学，卷。 447，第 36-51 页，2018 年。 如对代码有任何疑问，请联系Plamen P. Angelov教授（p.angelov@lancaster.ac.uk）和顾晓伟博士（x.gu3@lancaster.ac.uk） 顾晓伟编程

我们提出了一种名为 SOMA Pareto 的新方法，其中算法分为组织、迁移和更新过程。 组织过程中的重要关键是应用帕累托原则来选择迁移者和领导者，提高算法的性能。 自适应PRT，Step和PRTVector参数用于增强搜索有希望的子空间然后集中精力开发该子空间的能力。

我们提出了一种名为 SOMA Pareto 的新方法，其中算法分为组织、迁移和更新过程。 组织过程中的重要关键是应用帕累托原则来选择迁移者和领导者，提高算法的性能。 自适应PRT，Step和PRTVector参数用于增强搜索有希望的子空间然后集中精力开发该子空间的能力。

针对目前云计算服务中用户体验的要求不断提高，工作流业务繁多且复杂的现状，本文为了改善工作流中各子任务执行效率不平均以及计算资源利用率低的问题，通过云工作流仿真环境，结合群体智能优化算法理论，根据科学工作流模型，创建任务集合，提出一种改进粒子群优化算法（PSO）用以优化工作流中任务调度策略，并进行仿真。仿真结果表明，本文提出的改进粒子群优化算法，与模拟退火粒子群优化算法（SA-PSO）对比，特别在面对云工作流节点多而复杂的情况时，执行成本可以减少20%，调度效果更好。

本资源采用自组织学习获取中心和有监督学习获取中心两种方式训练RBF神经网络，支持多维函数逼近，支持批量训练，具有较好的封装性，使用非常简便

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

本文从无线自组织网络中的MAC协议问题（包括隐藏/暴露终端问题和单向链路问题等）开始，到无线自组织网络中的路由技术问题，再到其产业化应用问题，系统地分析了在无线自组织网络中存在的问题及其解决方法。以论文的形式，格式规范，并包含中英文摘要。