基于ECoS的自適應自學習聚類算法的研究.pdf

1、隨著人工神經(jīng)網(wǎng)絡、數(shù)據(jù)挖掘等智能信息處理方法的廣泛應用，與之相關(guān)的改進算法也不斷涌現(xiàn)，不同程度、不同角度提高了算法的性能。但是，隨著數(shù)據(jù)規(guī)模的快速增長，人們希望利用自適應思想將用戶從繁瑣的數(shù)據(jù)處理流程中解脫出來，并提高工作效率。
　　 由Kasabov提出的ECoS(Evolving Connectionist Systems，演化聯(lián)結(jié)系統(tǒng))有效地融合了自適應自學習的思想，能對大量現(xiàn)有的數(shù)據(jù)進行快速學習，并且能對新的數(shù)據(jù)進行增量

2、學習。本文在對ECoS系統(tǒng)研究的基礎(chǔ)上，將自適應自學習的思想應用在經(jīng)典的數(shù)據(jù)挖掘聚類算法和人工神經(jīng)網(wǎng)絡算法中，以解決算法所存在的某些缺陷。本文的主要研究及工作內(nèi)容如下:
　　 (1)分析和研究了經(jīng)典聚類算法——k-means算法，提出基于個體輪廓系數(shù)的改進k-means算法。改進算法多次調(diào)用傳統(tǒng)k-means算法進行聚類，根據(jù)類中心的個體輪廓系數(shù)及各樣本與類中心的距離，自適應地選取優(yōu)秀樣本，將獲得的優(yōu)秀樣本求其均值作為初始聚類中

3、心;并在UCI數(shù)據(jù)集上進行實驗，驗證了其有效性，且較其它優(yōu)化初始聚類中心的算法在時間上有一定優(yōu)勢。
　　 (2)分析和研究了ECoS系統(tǒng)，選擇了其中思想簡明、處理快速的ECM算法進行重點研究。ECM能夠自適應地確定聚類數(shù)目和聚類中心，在已有聚類的基礎(chǔ)上，對新數(shù)據(jù)可以直接處理。較傳統(tǒng)的聚類方法，ECM算法在處理大數(shù)據(jù)、利用已有知識、縮短聚類時間等方面都有優(yōu)勢。本文進行了ECM算法增量學習的仿真實驗，對其訓練模型的生成和新數(shù)據(jù)的增量

4、處理進行了直觀地分析。
　　 (3)在基于個體輪廓系數(shù)的改進k-means算法的基礎(chǔ)上，完成徑向基函數(shù)神經(jīng)網(wǎng)絡(RBF)中基函數(shù)中心的自組織選取，提高了算法選擇基函數(shù)中心的可靠性，并利用一維模擬數(shù)據(jù)驗證算法擬合函數(shù)的有效性，利用多維UCI數(shù)據(jù)集驗證算法分類預測的有效性。
　　 (4)將ECM算法應用在徑向基函數(shù)神經(jīng)網(wǎng)絡中，完成基函數(shù)中心的自組織選取，實現(xiàn)了RBF的自增量學習，并且在Matlab中實現(xiàn)ECM與RBF結(jié)合后的