基于自組織映射網(wǎng)絡(luò)的數(shù)據(jù)挖掘算法研究及應(yīng)用.pdf

1、在最近的二十年里，電子格式存貯的數(shù)據(jù)以驚人的速度激增，形成了海量的數(shù)據(jù)和信息。數(shù)據(jù)挖掘是從大型數(shù)據(jù)庫(kù)或數(shù)據(jù)倉(cāng)庫(kù)中發(fā)現(xiàn)并提取隱藏在其中的信息的一種新技術(shù)，包括統(tǒng)計(jì)學(xué)習(xí)和人工神經(jīng)網(wǎng)絡(luò)等方法。 自組織映射網(wǎng)絡(luò)是一種無(wú)監(jiān)督學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)，在拓?fù)浔３值耐瑫r(shí)，可以將高維的輸入數(shù)據(jù)以低維的形式表達(dá)出來(lái)，故SOM可以作為一種可視化的方法，適用于對(duì)數(shù)據(jù)進(jìn)行分析以提取有用的信息，由于SOM的這種特性，在數(shù)據(jù)挖掘中廣為應(yīng)用。在本文中我們提出了一種用來(lái)

2、進(jìn)行數(shù)據(jù)分析聚類(lèi)的新型自組織映射網(wǎng)絡(luò)——GrowingHierarchicalSelf-OrganizingMap(GHSOM)，它的特點(diǎn)是不需要預(yù)先獲知關(guān)于數(shù)據(jù)集的任何信息，在聚類(lèi)的同時(shí)也將數(shù)據(jù)集的層次結(jié)構(gòu)呈現(xiàn)出來(lái)。 為了檢驗(yàn)GHSOM對(duì)數(shù)據(jù)集類(lèi)別和層次結(jié)構(gòu)的揭示能力，我們使用GHSOM對(duì)高維數(shù)據(jù)——小鼠中樞神經(jīng)系統(tǒng)數(shù)據(jù)集和酵母細(xì)胞周期數(shù)據(jù)集進(jìn)行聚類(lèi)和分類(lèi)處理。最后通過(guò)與其他聚類(lèi)算法的比較，說(shuō)明了GHSOM本身具有比較理想的數(shù)