组织际关系分类新方法：基于改进自组织映射树算法

"这篇论文研究了自组织映射树(SOM树)的改进算法，并将其应用于组织际关系的分类。作者分析了SOM树现有改进算法的优缺点，提出了一种基于动态二叉树的自组织神经网络——Improved dynamical binary-tree based self-organizing neural network (DBTSONN)。在DBTSONN中，神经元节点能够自动生长和剪除，无需预先设定网络结构，从而提高了适应性和灵活性。论文中提到了两种不同的DBTSONN算法：DBTSONN1和DBTSONN2。DBTSONN1采用单路径搜索找到最匹配的叶节点（获胜神经元），而DBTSONN2则考虑了获胜神经元所在的树层次，采用双路径搜索，进一步提升了搜索效率。作者利用关键中介变量集，基于交易关系的经济和行为维度，将组织际关系划分为双边关系、周期性关系、层级关系和分散关系四类，并验证了DBTSONN算法在关系分类上的效率和实际意义。" 在论文中，作者首先回顾了自组织映射(SOM)算法的理论基础和已有改进方法，强调了动态调整网络结构的重要性。SOM算法是一种自编码神经网络，它通过竞争学习机制将输入数据映射到二维或更高维度的输出空间，形成一个拓扑结构，有助于发现数据的内在结构和模式。然而，传统SOM算法需要预先设定网络大小，这可能限制了其对复杂数据集的适应性。 DBTSONN算法解决了这一问题，它的核心是动态二叉树结构。在训练过程中，神经元节点根据输入数据的相似性动态生长或剪除，使得网络结构能够自然地适应数据分布。DBTSONN1算法简单直观，但可能在处理大规模数据时效率较低；相比之下，DBTSONN2算法引入了树层次信息，加快了搜索速度，降低了计算复杂性。 作者进一步将这种改进的算法应用于组织际关系的分类。组织际关系是社会经济系统中的重要研究领域，它涉及不同组织间的交互方式和合作模式。通过交易关系的经济和行为维度，作者构建了一个关键中介变量集，用以衡量不同类型的组织际关系。使用DBTSONN算法，他们成功地将这些关系分为四种类别：双边关系强调双方的直接交易；周期性关系反映了稳定的时间序列交互；层级关系描述了上下级之间的依赖关系；分散关系则表示多对多的复杂网络结构。 实验结果证明，DBTSONN算法在组织际关系分类上表现出良好的性能，能够有效识别和区分不同类型的关系，这对于理解复杂的组织间互动、优化决策制定和策略规划具有重要的理论与实践价值。此外，这一工作还为其他领域的数据分类和模式识别提供了新的思路和工具。