摘要：与SOFM，最大熵聚类，K均值聚类相比，“Neural-Gas”网络算法具有收敛速度快、代价误差小等优点。但“Neural-Gas”网络用于非均匀分布的线性或非线性数据集进行降维或可视化时，输出空间上固定有序的神经元表现出极不理想的距离信息。为此，该文根据归一化概率自组织特征映射的基本思想，提出混合“Neural-Gas”网络和Sammon映射的新方法来解决此问题，通过“Neural-Gas”网络算法进行特征聚类以降低计算复杂度，通过Sammon映射保持输入空间和输出空间上神经元间的距离相似性。仿真结果表明，该混合算法对合成数据集或现实数据集的可视化能够取得较理想的效果，从而验证了该混合算法的可行性和有效性。

关键词：sammon映射 混合算法 距离相似性 

单位：桂林电子科技大学信息与通信学院 桂林541004