基于一維SOM神經(jīng)網(wǎng)絡的聚類及數(shù)據(jù)分析方法研究.pdf_第1頁
已閱讀1頁,還剩148頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權,請進行舉報或認領

文檔簡介

1、聚類分析是數(shù)據(jù)挖掘領域中一個非?;钴S的研究課題。
   自組織特征映射網(wǎng)絡(Self-Organization Map,SOM)能夠?qū)⑤斎霐?shù)據(jù)映射到輸出神經(jīng)元陣列中,并保持數(shù)據(jù)集的拓撲結(jié)構和密度分布,使同類數(shù)據(jù)聚集在一起。
   自從SOM問世以來,人們對它的研究大多數(shù)聚焦在二維SOM上,對一維SOM的研究相對較少。直覺上,二維SOM比一維SOM能保持更多的數(shù)據(jù)集結(jié)構信息。但是,筆者發(fā)現(xiàn),在把同類數(shù)據(jù)聚集在一起,把不同類

2、數(shù)據(jù)完全分離方面一維SOM并不遜色于二維SOM。而且,在類邊界識別、樣本之間的相似關系表達以及類與類之間的相鄰關系的表達方面,一維SOM比二維SOM更容易、更明確。為此,本論文開展了基于一維SOM聚類的系列實驗研究。系統(tǒng)研究了一維SOM的聚類功能,著力開發(fā)出幾個基于一維SOM的聚類分析方法。
   實驗結(jié)果表明,一維SOM能像二維SOM一樣對數(shù)據(jù)空間樣本進行正確聚類。與二維SOM相比,一維SOM不但能保持原數(shù)據(jù)空間中類的線性可分

3、性,而且能把數(shù)據(jù)空間中線性不可分的類映射為線性可分的類,使得一維SOM映射圖中相鄰數(shù)據(jù)和相鄰類的關系更直觀,類分界線的可視化更容易。
   通過系列實驗,研究了神經(jīng)元個數(shù)、訓練參數(shù)與聚類結(jié)果之間的關系。提出了獨立性、分散度和最大聚集度三個評價一維SOM訓練和聚類效果的定量指標。找到了使一維SOM得到充分訓練的參數(shù)取值范圍。為開發(fā)基于一維SOM的系列聚類分析法奠定了基礎。
   根據(jù)一維和二維映射圖拓撲保持性的互補性,提出

4、了基于一維和二維SOM組合圖的聚類方法(CC-SOM)。使用該方法對三個典型數(shù)據(jù)集進行了聚類實驗,結(jié)果表明,該方法不僅適用于球形類,對于結(jié)構復雜的非球形類也具有較好的聚類效果。
   針對高維大數(shù)據(jù)集聚類問題,提出了基于一維SOM最相似原型序列的聚類方法(MSPS-SOM)。實驗表明,該方法具有較好的抗噪音能力和對大數(shù)據(jù)集的處理能力,能夠較好地識別基于距離的類和基于密度的類。
   提出了樣距圖的概念,確立了樣距圖數(shù)據(jù)的

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經(jīng)權益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責。
  • 6. 下載文件中如有侵權或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

最新文檔

評論

0/150

提交評論