參數(shù)適應(yīng)自組織映射網(wǎng)絡(luò)的研究與應(yīng)用.pdf

1、算法的參數(shù)自適應(yīng)是數(shù)據(jù)挖掘領(lǐng)域一個重要的研究課題，它的目標(biāo)是使算法參數(shù)能夠進(jìn)行自動調(diào)整，從而消除用戶在算法參數(shù)設(shè)置經(jīng)驗方面的不足及差異，使用戶能夠方便地使用算法并得到理想的運行效果。本文對比了已有的參數(shù)自適應(yīng)方法，引入學(xué)習(xí)的思想來實現(xiàn)參數(shù)自適應(yīng)，并基于這種方法對自組織映射網(wǎng)絡(luò)SOM進(jìn)行改進(jìn)，提出一種具有參數(shù)適應(yīng)能力的SOM版本，即參數(shù)適應(yīng)自組織映射網(wǎng)絡(luò)(PASOM)。PASOM算法除了能夠?qū)εc模型結(jié)構(gòu)相關(guān)的參數(shù)進(jìn)行自適應(yīng)之外，還能對非結(jié)

2、構(gòu)相關(guān)的參數(shù)進(jìn)行學(xué)習(xí)和自適應(yīng)，這是其優(yōu)于動態(tài)模型方法的地方。另一方面，PASOM中的參數(shù)學(xué)習(xí)思想類似于一種算法框架，它與目標(biāo)算法SOM之間具有較強(qiáng)的獨立性，因此容易被擴(kuò)展到其它目標(biāo)算法之上，賦予其參數(shù)自適應(yīng)的能力。
　　 PASOM的算法過程包括前期準(zhǔn)備和算法應(yīng)用兩個階段。前期準(zhǔn)備階段的主要任務(wù)是確定經(jīng)驗實例的模式，即其數(shù)據(jù)結(jié)構(gòu)。這部分工作是參數(shù)學(xué)習(xí)的基礎(chǔ)，而且只需要進(jìn)行一次。而算法應(yīng)用階段則包括了經(jīng)驗學(xué)習(xí)模型訓(xùn)練、參數(shù)學(xué)習(xí)與預(yù)

3、測以及底層SOM調(diào)用等過程，它是PASOM參數(shù)自適應(yīng)能力和數(shù)據(jù)挖掘功能的體現(xiàn)。
　　 在模型結(jié)構(gòu)方面，本文提出了PASOM的雙層網(wǎng)絡(luò)結(jié)構(gòu)，它由經(jīng)驗學(xué)習(xí)模型和底層SOM網(wǎng)絡(luò)兩個主要部分構(gòu)成。經(jīng)驗學(xué)習(xí)模型為SOM提供參數(shù)學(xué)習(xí)與預(yù)測的能力，是PASOM參數(shù)自適應(yīng)能力的來源；而底層的SOM則為PASOM提供數(shù)據(jù)挖掘的能力，滿足用戶的數(shù)據(jù)分析需求。
　　 其次，通過對比傳統(tǒng)的學(xué)習(xí)問題，論述了參數(shù)學(xué)習(xí)問題的特點，并針對其特點提出一種

4、基于自組織映射網(wǎng)絡(luò)的經(jīng)驗學(xué)習(xí)模型，它的輸入是一組數(shù)據(jù)特征描述因子，而輸出是底層SOM的參數(shù)方案。經(jīng)驗學(xué)習(xí)模型利用了映射網(wǎng)絡(luò)的拓?fù)溆行蛐宰鳛樗饕?，快速找到與當(dāng)前輸入相近的經(jīng)驗實例的集合，根據(jù)其中各實例的經(jīng)驗效果判斷其對當(dāng)前系統(tǒng)決策的影響作用的大小，從而由這些經(jīng)驗實例共同合作并預(yù)測出合理的參數(shù)方案。
　　 然后，本文設(shè)計了豐富的實驗，完成了SOM的穩(wěn)定性、效果評價函數(shù)的合理性以及環(huán)境描述因子有效性等方面的驗證工作；并且還為PASOM