人工神经网络是人工智能的一项重要研究内容,也是信息处理领域的重要研究手段,它以高度并行性、分布存储性、容错性、非线性、结构多变性等诸多特性成为智能信息处理领域的一大重要技术。自组织神经网络(SOM)是一种无监督的具有自我学习能力的人工神经网络,它具有许多独特而又有效的特性,如保序映射、数据压缩、特征抽取等,这些功能特点使得SOM能够被应用于诸多领域的分类和识别等问题上。本文根据SOM的这些特点,对SOM神经网络加以构造和挖掘,分别将其应用于信号、医学、武器等领域的信息处理问题之中,具体研究内容如下:(1)利用SOM特征映射神经网络保拓扑序的特性对阵列信号波达方向进行估计。对于阵列信号处理中的单源信号波达方向(DOA)估计问题,建立起基于距离差(DDOA)向量探测DOA的两种二维阵列模型——均匀线阵和任意阵列模型。将DDOA向量与波达方向角(AOA)之间的关系看做由DDOA空间到AOA空间的映射,对此映射,通过推导分析得出采样信号的这两个变量之间存在着相似的拓扑分布。因此,欲通过DDOA对AOA进行估计并不必须得到二者之间的具体映射,只需建立双层SOM特征映射神经网络,模拟DDOA到AOA的映射关系,因为相似的DDOA必映射到相似的AOA。更进一步的,结合Lipschitz条件,对此系统的可靠性进行了详尽的分析、验证。通过均匀分布的仿真源信号对网络进行训练,然后利用训练好的网络分别对仿真无噪信号、仿真含高斯噪声信号、以及湖中声源实测信号进行AOA估计效果测试,并与径向基(RBF)神经网络、多信号分类(MUSIC)算法进行对比,测试的结果显示该网络预测效果稳定,精确度高,可以考虑应用于实践。(2)利用SOM神经网络的自组织分类特性对结肠癌位置的可能信息基因进行探索研究。通过基因表达对癌症进行预测是否可行是一个具有争议的研究课题,本章利用SOM神经网络的分类特性建立起基于随机选取基因表达组合的结肠癌位置循环分类系统,通过对不同数量基因组、不同组合基因组进行实验,依据低误分类率的原则来寻求可能的信息基因组。通过对可能信息基因组进行非线性主成分分析、交集运算、及交叉验证等研究手段,得出随机基因组与结肠癌位置相关性的分布规律,并有结肠癌位置的潜在信息基因不唯一的结论,从而进一步的认为利用基因对结肠癌位置进行分类在临床诊断中是不可行的。(3)利用优化邻域半径的自回归自组织(AR-SOM)神经网络的分区域拟合功能对火炮膛压曲线进行拟合并对膛压进行预测。火炮膛压变化规律在火炮研究中具有重要的作用,本文分别利用BP神经网络和改进的AR-SOM神经网络对某型号火炮实测膛压数据进行拟合和预测。实验结果表明改进的AR-SOM能够更好把握火炮膛压各阶段的变化规律,预测效果良好。论文主要创新:(1)提出了利用双层SOM神经网络的DOA估计方法,并从理论上对方法的可靠性进行了验证。该方法是基于DDOA与AOA具有相似拓扑分布的理论基础提出的,适合均匀线阵及任意阵列。网络可事先训练,应用中对AOA估计迅速,精确度良好,受噪声影响小,鲁棒性好。(2)建立了SOM循环分类系统,对基因与不同位置种类结肠癌之间的关系进行了一系列的研究,得出了基因不能用于结肠癌位置分类临床诊断的重要结论。(3)将优化的AR-SOM神经网络应用于火炮膛压曲线拟合之中,提高了曲线拟合的精度,为有限数据情况下火炮膛压规律的把握提供了新的可靠方法。