基于自組織特征映射網(wǎng)絡的聚類算法研究.pdf

1、數(shù)據(jù)挖掘是指從數(shù)據(jù)庫中發(fā)現(xiàn)隱含的、先前不知道的、潛在有用的信息的非平凡過程。近年來，數(shù)據(jù)挖掘在地理信息系統(tǒng)、遙感、圖像處理、導航、環(huán)境等領域有著廣泛的應用。然而，由于數(shù)據(jù)量大，數(shù)據(jù)類型、關系復雜，從這些數(shù)據(jù)庫中提取知識非常困難。數(shù)據(jù)挖掘算法是數(shù)據(jù)挖掘的關鍵技術，提高挖掘算法的性能和效率是數(shù)據(jù)挖掘技術發(fā)展、創(chuàng)新以及應用的關鍵。 聚類指的是把數(shù)據(jù)庫里的對象分組成有意義的子集，使得一個類內(nèi)的成員盡可能相似，不同類間的成員差異盡可能大。

2、聚類具有無監(jiān)督學習能力，被廣泛應用于多個領域中，如模式識別、數(shù)據(jù)分析、圖像處理以及市場調(diào)研等。使用聚類可以發(fā)現(xiàn)數(shù)據(jù)分布的疏密區(qū)域，從而找出數(shù)據(jù)總體的分布模式以及數(shù)據(jù)間有趣的相互關系。 然而，現(xiàn)有的聚類算法存在著多種不足之處，如不具有良好的可伸縮性、不能發(fā)現(xiàn)具有任意形狀的聚類、對輸入數(shù)據(jù)的順序敏感和不能處理高維數(shù)據(jù)等。論文針對聚類問題展開研究。 首先，論文對數(shù)據(jù)挖掘主要聚類算法進行分析研究，并使用實驗對部分算法進行仿真和討

3、論，對算法的主要參數(shù)對其性能影響進行分析，總結算法優(yōu)缺點。 其次，對神經(jīng)網(wǎng)絡中的自組織特征映射網(wǎng)絡模型進行研究，并通過實驗對網(wǎng)絡特性進行分析討論。 再次，論文提出一種新的相似性度量標準：拓撲相似性，使用該相似性標準為聚類問題建立數(shù)據(jù)模型，并建立拓撲相似性矩陣表示該模型。 結合自組織神經(jīng)網(wǎng)絡的特點，提出自組織映射網(wǎng)絡族的概念，在該概念的基礎上，提出一種新的基于自組織特征映射網(wǎng)絡的聚類算法，詳細闡述了算法步驟。實驗結