描述
芬兰神经网络专家Kohonen教授提出的自组织特征映射(SOFM)神经网络越来越受到人们的重视，因为该网络具有拓扑保持和概率分布保持的优良特性。SOFM神经网络属于无导师学习的竞争型网络，通过自组织方式用大量样本数据来调整其连接权值，使得网络输出层特征图能够反映样本数据的分布情况。
本文在分析SOFM神经网络传统学习算法的基础上，从提高算法收敛速度和性能出发，提出了一种改进算法。该算法随机选择样本输入次序，以减小学习效率对样本输入次序的依赖；根据实际应用并结合专家经验确定初始连接权值；学习率的调整函数用指数函数替代线性函数；采用高斯函数作为拓扑邻域函数，替代基本算法中的矩形或者圆形邻域；将算法分成排序和收敛两个阶段，并分别采用不同的学习率和邻域函数。采用改进后的算法对输入样本进行自组织聚类，再利用学习矢量量化算法解决样本分类中的交迭问题，提高了分类精度。实验结果表明，该网络能够识别常用的数字和英文字母，特别是在有噪声污染的情况下，可以获得较好的效果。
针对传统SOFM网络中预定网络拓扑结构的不足，本文提出一种改进的遗传算法，并用于神经网络的结构寻优之中，指导SOFM网络竞争层神经元的生长和删除，构造结构自适应自组织映射神经网络模型。在该模型中，把竞争层每个神经元看成是一个进化群体中的一个个体，选取每次迭代后获胜神经元的累积误差作为适应度函数，利用生长算子、删除算子、随机生长算子等遗传算子，自动构造竞争层神经元。仿真结果表明，该模型具有很好的网络特性，克服了传统网络固有的局限性。
作为实际的应用，本文建立了基于SOFM和RBF网络的汽油干点软测量模型，并对现场工业数据进行应用仿真研究。该模型通过SOFM网络对输入样本数据进行粗分类，各分类中心及其对应的宽度传递给RBF网络，作为RBF网络径向基函数的中心和宽度；RBF网络中隐层到输出层的连接权值采用最小二乘法来确定。仿真结果表明，混合网络模型的估计值与实际化验值的拟合程度比传统RBF模型的拟合程度高，基本满足误差要求。
