买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：西安电子科技大学;西安电子科技大学杭州研究院

摘要：本发明公开了一种基于SOM‑SNN和Spiking‑SOM算法的事件流聚类方法，主要解决现有技术难以有效利用事件流中的历史脉冲信息和脉冲达到顺序信息造成的聚类速度慢、聚类效果差的问题。本发明构建的SOM‑SNN网络包含一层记忆层，将事件流中离散的脉冲转换为信息向量并存储，在每个时间窗口不断更新与累加。本发明提出的Spiking‑SOM算法通过空间相似度与分布相似度计算事件流脉冲信息与网络权值之间的相似性，分布相似度利用了事件流中脉冲到达的顺序信息。本发明有效利用了事件流中的历史脉冲信息和脉冲到达的顺序信息，以更快的速度实现了更好的事件流聚类效果。

主权项：1.一种基于SOM-SNN和Spiking-SOM算法的事件流聚类方法，其特征在于，利用SOM-SNN网络中的记忆层，将事件流每个时间窗口离散的脉冲数组转换为信息向量；通过Spiking-SOM算法中空间相似度和分布相似度，使事件流可以更加准确地找到聚类中心；该聚类方法的步骤包括如下：步骤1，将事件流数据格式化，得到具有时间窗口的脉冲数组；步骤2，构建SOM-SNN网络；步骤3，利用Spiking-SOM算法对输入的脉冲数组进行聚类；步骤3.1，将脉冲数组输入到SOM-SNN网络中，用输入的脉冲数组与信息量更新公式，更新SOM-SNN网络中记忆神经元的信息量；步骤3.2，利用空间相似度与分布相似度公式，分别计算记忆神经元信息向量与竞争神经元权值向量的相似度；步骤3.3，利用相似度-电流映射公式，计算SOM-SNN网络中竞争神经元的输入电流；步骤3.4，利用膜电压更新公式，计算每个竞争神经元的膜电压；将膜电压超过阈值的竞争神经元确定为聚类中心；步骤3.5，利用权重调整公式，调整SOM-SNN网络的权值；步骤4，将脉冲数组输入到调整权值后的SOM-SNN网络中，使用Spiking-SOM算法，对网络权值进行迭代更新，直至网络权值的二维化热力图显示出清晰的聚类效果为止，得到训练好的SOM-SNN网络；步骤5，采用与步骤1相同的方式，将待聚类的事件流格式化后输入到训练好的SOM-SNN网络中，输出事件流的聚类中心。

全文数据：

权利要求：

百度查询： 西安电子科技大学 西安电子科技大学杭州研究院 基于SOM-SNN和Spiking-SOM算法的事件流聚类方法