進化神經網絡聚類技術及其在數據挖掘中的應用.pdf

1、數據挖掘技術是解決數據豐富而知識貧乏的有效途徑，當屬信息科學領域的前沿研究課題之一，有關的研究和應用極大提高了決策支持的能力，已被公認為是數據庫研究中一個極富應用前景的領域。聚類分析是數據挖掘的一個重要內容，包括基于劃分、層次、密度、網格和模型的分析思想。本文討論了聚類技術當前的研究現狀，研究和比較了各種聚類算法的各自特點及不足之處。特別地，對于基于模型思想的SOM神經網絡聚類技術做了詳細的探討。 SOM神經網絡聚類是典型的基于

2、模型思想的聚類方法，是腦認知科學和數據挖掘的有機結合，與實際的大腦處理知識有很強的理論聯系。但該方法在效率、結果最優(yōu)性和網絡模型結構參數難以確定方面均存在不足之處。 基于遺傳算法的進化神經網絡是近幾年發(fā)展起來的一個跨學科的新的非?；钴S的研究領域，它包含三個層次的進化策略，即連接權的進化、網絡結構的進化和學習規(guī)則的進化。進化算法思想為神經網絡系統(tǒng)的設計、系統(tǒng)性能的改進、神經網絡的集成等提供了新的研究思路。 在傳統(tǒng)SOM神經

3、網絡聚類的基礎上，結合進化神經網絡理論，本文提出一種新的基于進化SOM神經網絡的聚類算法ESOM。其思想是利用基于遺傳算法的進化理論對SOM網絡的權值向量集進行優(yōu)化，同時采用神經元分裂的思想對網絡模型結構進行遞歸擴展優(yōu)化，從而得到最優(yōu)網絡結構。 本文詳細描述了該算法的實現過程，討論了聚類精度的度量標準，并利用其來控制網絡的生長和評估聚類結果。本文給出了算法的正確性和時間復雜度分析，并通過仿真試驗比較了ESOM算法和經典SOM聚類