Literatur:

Allgemein

• A.Baraldi, P.Blonda, A survey of fuzzy clustering algorithms for pattern recognition, ICSI-TR-98-038, International Computer Science Institute, Berkeley, California, 1998
• R.O.Duda, P.E.Hart, D.G.Stork, Pattern classification, Wiley
• B.Fritzke, Vektorbasierte Neuronale Netze, Shaker, 1998
• J.A.Hartigan, Clustering Algorithms, Wiley
• F.Hoeppner, F.Klawonn, R.Kruse, Th.Runkler, Fuzzy cluster analysis : methods for classification, data analysis and image recognition, Wiley
• T.Kohonen, Self-Organizing Maps, Springer
• B.D.Ripley, Pattern recognition and neural networks, Cambridge Univ.Press
• H.Ritter, Th.Martinetz, K.Schulten, Neural computation and self-organizing maps : an introduction, Addison-Wesley

Spezielles

• SOMs: SOM ohne Nachbarschaft ist Vektorquantisierung!
  prinzipielle Self Organizing Map mit Beschreibung des Programmpakets von Kohonen
  SOMs für Texte
  GHSOM, wachsende (growing) und hierarchische SOM
  HSOM, die SOM mit exponentieller Nachbarschaft (H wie hyperbolisch oder Helge :-)
  RSOM, rekurrente SOM, z.B. für Zeitreihen
  softe offline SOM
  growing grid (wachsender NG) für nichtstationäre Daten

• NG, Alternative zu SOM mit Daten-angepaßtem Gitter:
  (effizienterer, nicht original) Neural Gas,

• LVQ:
  Learning Vector Quantization von Kohonen inklusive Beschreibung seines Programmpakets
  LVQ für Sprache
  GAs für den LVQ
  

• Mulit-purpose erweiterbares Software-Tool mit Neuro und Satistik ist der Helge Ritter's NEO

• k-means
  k-means + variable Prototypanzahl ist ISODATA, für den es fertige Implementierungen gibt

• fuzzy:
  fuzzy k-means, Variationen gibt's z.B. von Gath-Geva, Gutsafson/Kessel im Buch von Höppner et.al.
  Vergleich mit crispem Clustering
  Anwendung in der Bioinformatik
  Regelextraktion

• Entscheidungbäume:
  J.R.Quinlan, C4.5: programs for machine learning, Morgan Kaufmann
  Online Publikationen und Code kann man auf der Homepage von Quinlan finden

• Clustern durch eine Population

• Binäre Klassifikatoren für k-Klassen