進(jìn)化神經(jīng)網(wǎng)絡(luò)聚類技術(shù)及其在數(shù)據(jù)挖掘中的應(yīng)用.pdf

1、數(shù)據(jù)挖掘技術(shù)是解決數(shù)據(jù)豐富而知識(shí)貧乏的有效途徑，當(dāng)屬信息科學(xué)領(lǐng)域的前沿研究課題之一，有關(guān)的研究和應(yīng)用極大提高了決策支持的能力，已被公認(rèn)為是數(shù)據(jù)庫(kù)研究中一個(gè)極富應(yīng)用前景的領(lǐng)域。聚類分析是數(shù)據(jù)挖掘的一個(gè)重要內(nèi)容，包括基于劃分、層次、密度、網(wǎng)格和模型的分析思想。本文討論了聚類技術(shù)當(dāng)前的研究現(xiàn)狀，研究和比較了各種聚類算法的各自特點(diǎn)及不足之處。特別地，對(duì)于基于模型思想的SOM神經(jīng)網(wǎng)絡(luò)聚類技術(shù)做了詳細(xì)的探討。 SOM神經(jīng)網(wǎng)絡(luò)聚類是典型的基于

2、模型思想的聚類方法，是腦認(rèn)知科學(xué)和數(shù)據(jù)挖掘的有機(jī)結(jié)合，與實(shí)際的大腦處理知識(shí)有很強(qiáng)的理論聯(lián)系。但該方法在效率、結(jié)果最優(yōu)性和網(wǎng)絡(luò)模型結(jié)構(gòu)參數(shù)難以確定方面均存在不足之處。 基于遺傳算法的進(jìn)化神經(jīng)網(wǎng)絡(luò)是近幾年發(fā)展起來(lái)的一個(gè)跨學(xué)科的新的非?；钴S的研究領(lǐng)域，它包含三個(gè)層次的進(jìn)化策略，即連接權(quán)的進(jìn)化、網(wǎng)絡(luò)結(jié)構(gòu)的進(jìn)化和學(xué)習(xí)規(guī)則的進(jìn)化。進(jìn)化算法思想為神經(jīng)網(wǎng)絡(luò)系統(tǒng)的設(shè)計(jì)、系統(tǒng)性能的改進(jìn)、神經(jīng)網(wǎng)絡(luò)的集成等提供了新的研究思路。 在傳統(tǒng)SOM神經(jīng)

3、網(wǎng)絡(luò)聚類的基礎(chǔ)上，結(jié)合進(jìn)化神經(jīng)網(wǎng)絡(luò)理論，本文提出一種新的基于進(jìn)化SOM神經(jīng)網(wǎng)絡(luò)的聚類算法ESOM。其思想是利用基于遺傳算法的進(jìn)化理論對(duì)SOM網(wǎng)絡(luò)的權(quán)值向量集進(jìn)行優(yōu)化，同時(shí)采用神經(jīng)元分裂的思想對(duì)網(wǎng)絡(luò)模型結(jié)構(gòu)進(jìn)行遞歸擴(kuò)展優(yōu)化，從而得到最優(yōu)網(wǎng)絡(luò)結(jié)構(gòu)。 本文詳細(xì)描述了該算法的實(shí)現(xiàn)過(guò)程，討論了聚類精度的度量標(biāo)準(zhǔn)，并利用其來(lái)控制網(wǎng)絡(luò)的生長(zhǎng)和評(píng)估聚類結(jié)果。本文給出了算法的正確性和時(shí)間復(fù)雜度分析，并通過(guò)仿真試驗(yàn)比較了ESOM算法和經(jīng)典SOM聚類