一種基于GWRN模型的自組織神經(jīng)網(wǎng)絡(luò)算法的研究及應(yīng)用.pdf

1、Web服務(wù)器日志記錄了用戶與服務(wù)器之間的交互信息,而用戶在網(wǎng)站上的活動(dòng)則隱含了他們的需求和興趣。通過對(duì)日志數(shù)據(jù)的分析,有助于我們了解用戶興趣,優(yōu)化站點(diǎn)的組織結(jié)構(gòu),改進(jìn)Web服務(wù)器的性能,提高對(duì)用戶的個(gè)性化服務(wù)質(zhì)量等。
　　 自組織特征映射網(wǎng)絡(luò)SOM通過網(wǎng)絡(luò)結(jié)構(gòu)的自組織過程自動(dòng)地對(duì)輸入的數(shù)據(jù)模式進(jìn)行聚類,對(duì)數(shù)據(jù)具有良好的自適應(yīng)能力和魯棒性,被廣泛應(yīng)用在數(shù)據(jù)挖掘領(lǐng)域。然而SOM有其局限性:強(qiáng)制結(jié)束,不能保證收斂,學(xué)習(xí)過程不能優(yōu)化,輸

2、出結(jié)果依賴輸入數(shù)據(jù)序列,不同初始條件產(chǎn)生不同的結(jié)果。對(duì)于一個(gè)自組織神經(jīng)網(wǎng)絡(luò)來說,生成新節(jié)點(diǎn)的能力是一個(gè)潛在的有用的工具。一個(gè)可以在其網(wǎng)絡(luò)空間中增加節(jié)點(diǎn)的網(wǎng)絡(luò),比一般的有著固定結(jié)構(gòu)和節(jié)點(diǎn)的網(wǎng)絡(luò)(如SOM)可以更準(zhǔn)確的接近輸入空間。
　　 本文基于自組織神經(jīng)網(wǎng)絡(luò)在模式聚類中的優(yōu)點(diǎn),并將其與在需要時(shí)可生長(zhǎng)的自組織神經(jīng)網(wǎng)絡(luò)(GWRN)算法以及Hebb學(xué)習(xí)規(guī)則結(jié)合起來,提出一種新型的具有三層結(jié)構(gòu)的自組織神經(jīng)網(wǎng)絡(luò)算法。該算法保持了GWRN算

3、法的良好的自生長(zhǎng)、自組織特性,只要網(wǎng)絡(luò)的當(dāng)前狀態(tài)不足以與輸入匹配,學(xué)習(xí)算法就可以增加新節(jié)點(diǎn)。當(dāng)提供了新的輸入數(shù)據(jù)后,網(wǎng)絡(luò)可以以較快的速度生長(zhǎng),并且一旦網(wǎng)絡(luò)與輸入數(shù)據(jù)達(dá)成匹配網(wǎng)絡(luò)就停止生長(zhǎng)。我們將學(xué)習(xí)過程劃分為競(jìng)爭(zhēng)階段和自激勵(lì)階段。競(jìng)爭(zhēng)階段采用GWRN算法,網(wǎng)絡(luò)動(dòng)態(tài)增長(zhǎng)；自激勵(lì)階段采用Hebb學(xué)習(xí)規(guī)則將互相激勵(lì)的神經(jīng)元?dú)w為一類,提高類內(nèi)的相似度。
　　 最后再對(duì)本文中提出的算法進(jìn)行仿真測(cè)試和實(shí)際應(yīng)用,并與GWRN算法進(jìn)行比較,以體