基于一維SOM神經(jīng)網(wǎng)絡(luò)的聚類及數(shù)據(jù)分析方法研究.pdf

1、聚類分析是數(shù)據(jù)挖掘領(lǐng)域中一個非?；钴S的研究課題。
　　 自組織特征映射網(wǎng)絡(luò)(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?jǐn)?shù)據(jù)集的拓?fù)浣Y(jié)構(gòu)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(gòu)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(guān)系表達(dá)以及類與類之間的相鄰關(guān)系的表達(dá)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(jìn)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(guān)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(xùn)練參數(shù)與聚類結(jié)果之間的關(guān)系。提出了獨(dú)立性、分散度和最大聚集度三個評價一維SOM訓(xùn)練和聚類效果的定量指標(biāo)。找到了使一維SOM得到充分訓(xùn)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(chǔ)。
　　 根據(jù)一維和二維映射圖拓?fù)浔３中缘幕パa(bǔ)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(jìn)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(gòu)復(fù)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