競爭型神經(jīng)網(wǎng)絡(luò)及其在聚類分析中的應(yīng)用研究.pdf

1、聚類分析是數(shù)據(jù)挖掘中一個(gè)重要的研究領(lǐng)域，傳統(tǒng)的聚類方法在特定的情形下取得了良好的效果，但是當(dāng)處理海量數(shù)據(jù)、具有復(fù)雜數(shù)據(jù)類型的數(shù)據(jù)集時(shí)，仍存在若干尚未解決的問題。 如今競爭型神經(jīng)網(wǎng)絡(luò)已經(jīng)在模式識(shí)別、聚類等方面得到了廣泛應(yīng)用，并顯示出與傳統(tǒng)聚類方法相比所具有的優(yōu)勢。但是競爭型神經(jīng)網(wǎng)絡(luò)存在“死”點(diǎn)問題，某些神經(jīng)元在競爭中可能始終未能獲勝而成為“死神經(jīng)元”，不僅造成神經(jīng)元的浪費(fèi)，而且造成訓(xùn)練誤差偏大，無法達(dá)到訓(xùn)練誤差的精度要求，不能很好

2、完成它所擔(dān)負(fù)的聚類或分類任務(wù)。另外神經(jīng)網(wǎng)絡(luò)受網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)和訓(xùn)練樣本的影響，對輸入數(shù)據(jù)的冗余屬性很不敏感，所以訓(xùn)練速度一般較慢。 粗糙集理論作為人工智能領(lǐng)域的一個(gè)新的研究熱點(diǎn)，它可以彌補(bǔ)神經(jīng)網(wǎng)絡(luò)不能確定哪些知識(shí)是冗余的，哪些知識(shí)是有用的，訓(xùn)練規(guī)模過大和訓(xùn)練時(shí)間過于漫長的局限性。所以在數(shù)據(jù)挖掘過程中，粗糙集理論可用于數(shù)據(jù)挖掘的數(shù)據(jù)預(yù)處理部分。但是粗糙集理論只能處理離散屬性，而實(shí)際生活中的數(shù)據(jù)大多數(shù)是連續(xù)的屬性值，因此需要首先對數(shù)據(jù)進(jìn)

3、行離散化處理，這已成為粗糙集理論實(shí)用性的瓶頸。 本文提出利用改進(jìn)的競爭型神經(jīng)網(wǎng)絡(luò)進(jìn)行聚類的方法，主要研究內(nèi)容和成果如下： 1.針對“死”點(diǎn)問題，深入探討了LVQ神經(jīng)網(wǎng)絡(luò)并且通過引入閾值學(xué)習(xí)規(guī)則，均衡神經(jīng)元獲勝的機(jī)會(huì)，較好地解決了該類網(wǎng)絡(luò)在遇到“死”點(diǎn)時(shí)訓(xùn)練誤差偏大的問題。 2.針對粗糙集理論只能處理離散數(shù)據(jù)的局限性，提出了基于競爭型神經(jīng)網(wǎng)絡(luò)的連續(xù)屬性離散化方法。首先使用條件屬性與決策屬性之間的決策關(guān)系來度量條件屬

4、性的重要性，并據(jù)此對條件屬性按照重要性由小到大排序，然后利用競爭型網(wǎng)絡(luò)分類功能找到連續(xù)屬性的斷點(diǎn)，從而實(shí)現(xiàn)了對連續(xù)屬性的離散化。 3.根據(jù)上面提出的理論方法，首先解決了競爭型神經(jīng)網(wǎng)絡(luò)中存在的“死”點(diǎn)問題并對輸入樣本進(jìn)行離散化處理，通過知識(shí)約簡刪除輸入樣本的冗余屬性，簡化了知識(shí)表達(dá)空間維數(shù)，然后將簡化以后的樣本數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本，從而達(dá)到了簡化神經(jīng)網(wǎng)絡(luò)的輸入規(guī)模和提高訓(xùn)練速度的目的。最后提出了一種新的基于改進(jìn)型LVQ神經(jīng)網(wǎng)