前言动笔写这个支持向量机(support vector machine)是费了不少劲和困难的，原因很简单，一者这个东西本身就并不好懂，要深入学习和研究下去需花费

文本挖掘是数据挖掘领域中一个热门的研究方向。在文本挖掘领域中，文本聚类技术有助于缩小数据搜索空间，提高查询精度。作为一种无监督的机器学习方法，文本聚 类技术己经成为对文本信息进行有效地组织、摘要和导航的重要手段，为越来越多的研究人员所关注。可以说，文本聚类的研究具有重要的理论意义和实际使用价值。自组织特征映射神经网络SOM在聚类应用中具有自组织映射、可视化好、计算效率高、聚类效果好等良好特性。因此，本文将SOM神经网络应用到中文文本聚类中，研究其在文本聚类中的有关特性。

改进的SOM算法及其在颜色特征提取中的应用

人工神经网络SOM算法,懂这个的人很有用,希望能给大家帮助

一个用C语言实现的神经网络的SOM算法程序,欢迎大家下载

主要为大家详细介绍了python实现SOM算法，聚类算法，具有一定的参考价值，感兴趣的小伙伴们可以参考一下

关于用SOM算法进行高光谱遥感图像分类的问题-hyperspectraldataopen.m 小弟想要基于这个基本的SOM算法对.lan格式的这个数据进行分类，数据维数较高（220维），还望各位不吝赐教啊！

关于用SOM算法进行高光谱遥感图像分类的问题-92av3gt.rar 小弟想要基于这个基本的SOM算法对.lan格式的这个数据进行分类，数据维数较高（220维），还望各位不吝赐教啊！

算法简介 SOM网络是一种竞争学习型的无监督神经网络，将高维空间中相似的样本点映射到网络输出层中的邻近神经元。 训练过程简述：在接收到训练样本后，每个输出层神经元会计算该样本与自身携带的权向量之间的距离，距离最近的神经元成为竞争获胜者，称为最佳匹配单元。然后最佳匹配单元及其邻近的神经元的权向量将被调整，以使得这些权向量与当前输入样本的距离缩小。这个过程不断迭代，直至收敛。 网络结构：输入层和输出层（或竞争层），如下图所示。 输入层：假设一个输入样本为X=[x1,x2,x3,…,xn]，是一个n维向量，则输入层神经元个数为n个。 输出层（竞争层）：通常输出层的神经元以矩阵方式排列在二

神经网络算法的java实现 神经网络算法的java实现 神经网络算法的java实现 神经网络算法的java实现