基于高斯核的KSOFM聚類算法研究.pdf

1、聚類分析作為數(shù)據(jù)挖掘中十分重要的一個組成部分,逐漸被許多商家和企業(yè)所應(yīng)用,而聚類分析在一定程度上,受到數(shù)據(jù)源中待分析數(shù)據(jù)的線性與非線性制約,在遇到數(shù)據(jù)之間存在非線性關(guān)系時難以得到比較精準(zhǔn)的結(jié)果。本文主要針對非線性數(shù)據(jù)提出一種基于核方法的神經(jīng)網(wǎng)絡(luò)聚類算法。論文完成了以下工作:描述數(shù)據(jù)挖掘起源以及數(shù)據(jù)挖掘組成部分,分析了經(jīng)典數(shù)據(jù)挖掘步驟,并介紹了相關(guān)內(nèi)容。還對數(shù)據(jù)挖掘中的聚類算法進行了關(guān)鍵性研究,對比了數(shù)種經(jīng)典聚類算法,并得出神經(jīng)網(wǎng)絡(luò)聚類中

2、的SOFM算法相比較其他算法而言有著較高的可靠性,如信息處理的并行性、信息單元的互連性,非線性,能夠很好的處理普遍存在的非線性問題,具有較強的自學(xué)習(xí)、自組織與自適應(yīng)性等等。并詳細(xì)研究了核方法,并對常用的核方法進行了介紹。對核函數(shù)性質(zhì)以及選擇核函數(shù)原則進行了細(xì)致的分析,通過對三類重要的核函數(shù)進行比較,選擇了其中的平移不變核函數(shù),因為高斯核函數(shù)的特征空間是無限維的,所以任意樣本在映射到特征空間后必將是線性可分的,故而將高斯核函數(shù)作為算法改進

3、中所使用的核函數(shù)。
　　 本文在對核方法進行了較為詳細(xì)的了解與學(xué)習(xí)后，對引入核方法之后的KSOFM算法做出了詳盡的說明,并設(shè)計出了一種新型的基于高斯核函數(shù)的神經(jīng)網(wǎng)絡(luò)聚類算法KSOFM算法。通過前期對聚類算法以及核方法的研究,在理論上說明了,將輸入空間中的數(shù)據(jù)映射到高維特征空間中,然后在高維特征空間中進行聚類,與一般的映射后再聚類法相比,KSOFM算法精煉許多,在時間復(fù)雜度上也較低,因為KSOFM不需要求出映射空間,實際處理的數(shù)據(jù)

4、集還是原始數(shù)據(jù)集,只是將相似性度量函數(shù)映射到高斯核空間來滿足核聚類的要求,所以相比傳統(tǒng)的維度變換聚類得到的效果較好。為了說明設(shè)計的新算法的實效性,在MATLAB環(huán)境下對SOFM算法和改進后的KSOFM算法進行了實驗仿真,其結(jié)果證明了改進后的KSOFM算法具有可行性且具有實際效果。為了能夠清楚地顯示聚類效果,給定數(shù)據(jù)集已經(jīng)經(jīng)過人工分析得出需要的聚類結(jié)果,隨著高斯核函數(shù)中徑向選擇寬度常量σ的變化,結(jié)果也發(fā)生著明顯的變化,并在某個特殊值時獲得