本课题受国家自然科学基金项目(项目编号60970073)的资助,主要研究基于SOM神经网络的多维数据自动聚类算法及其应用。多维数据自动聚类作为优选动态流量软测量训练样本的主要方法,成为极具挑战的课题之一。针对动态流量软测量对自动聚类算法实时性和精确性的要求,重点研究如何提高自动聚类算法的收敛速度和自动聚类质量,选题对于动态流量软测量具有十分重要的理论和现实意义。首先,针对SOM算法训练精度和收敛速度难以同时提升的问题,提出附加敏感参数的SOM算法。通过引入敏感参数,改进权值调整公式,在保证精度的同时提高收敛速度。其次,针对数据噪声干扰导致自动聚类质量差的问题,根据数据噪声呈现高斯分布的特点,采用加权平均方法构造新的阈值函数,并用小波阈值方法剔除数据噪声,减少数据噪声对自动聚类质量的影响。然后,针对淹没停止参数设置不精细导致自动聚类质量差的问题,采用值域扩大的Sigmoid函数改善淹没停止参数的精细度,防止局部极大值的分离,从而保证获得较好的自动聚类质量。最后,利用MATLAB R2007设计并实现自动聚类系统。实验表明,该系统使自动聚类算法的实时性和精确性得到提高。本文所提出的改进方法,取得了较好的自动聚类效果,是对优选动态流量软测量训练样本方法的有力探索,在其它的领域也有广泛的应用前景。