復(fù)雜網(wǎng)絡(luò)聚類及其在神經(jīng)網(wǎng)絡(luò)中的應(yīng)用研究.pdf

1、當(dāng)今，隨著信息技術(shù)的高速發(fā)展，數(shù)據(jù)量正在呈指數(shù)增長(zhǎng)，如何快速、準(zhǔn)確地從大規(guī)模、雜亂無(wú)章的數(shù)據(jù)中找到所需信息就成了一項(xiàng)十分有意義的課題。聚類分析方法作為數(shù)據(jù)挖掘技術(shù)中的重要方法之一，它恰好為海量數(shù)據(jù)的研究分析提供了一種方法，并被廣泛應(yīng)用到現(xiàn)實(shí)社會(huì)的各個(gè)領(lǐng)域。但是聚類分析方法中的很多聚類算法要求事先確定聚類數(shù)目，如何確定聚類數(shù)目是一個(gè)復(fù)雜而艱巨的問(wèn)題。
　　近年來(lái)，人工神經(jīng)網(wǎng)絡(luò)因具有較高的非線性、并行性、良好的容錯(cuò)性及較強(qiáng)的魯棒性等優(yōu)

2、點(diǎn)，在許多領(lǐng)域中得到了廣泛的應(yīng)用。尤其是RBF神經(jīng)網(wǎng)絡(luò)有很強(qiáng)的非線性擬合能力，可映射任意復(fù)雜的非線性關(guān)系，但是RBF神經(jīng)網(wǎng)絡(luò)的非線性映射能力體現(xiàn)在隱含層基函數(shù)上，基函數(shù)的特性主要由基函數(shù)的中心確定，而在實(shí)際應(yīng)用中基函數(shù)中心的確定是一個(gè)困難的問(wèn)題。
　　基于上面的問(wèn)題，本文研究將復(fù)雜網(wǎng)絡(luò)的社團(tuán)劃分技術(shù)與相似度量相結(jié)合的聚類算法，解決事先確定聚類數(shù)目的問(wèn)題，并把該算法引入神經(jīng)網(wǎng)絡(luò)對(duì)RBF神經(jīng)網(wǎng)絡(luò)的中心進(jìn)行優(yōu)化，最后試驗(yàn)驗(yàn)證。
　

3、　本文首先闡述了當(dāng)前常用的社團(tuán)發(fā)現(xiàn)算法，分析了各種算法優(yōu)缺點(diǎn)。然后通過(guò)對(duì)k-均值聚類算法的研究分析，提出了一種基于復(fù)雜網(wǎng)絡(luò)社團(tuán)發(fā)現(xiàn)的CNM算法與相似度量相結(jié)合的聚類算法，該算法克服了k-均值算法需根據(jù)先驗(yàn)知識(shí)確定聚類個(gè)數(shù)的缺陷，通過(guò)二個(gè)聚類分析實(shí)驗(yàn)表明該算法提高了聚類的質(zhì)量。最后基于復(fù)雜網(wǎng)絡(luò)社團(tuán)發(fā)現(xiàn)算法與相似度量相結(jié)合的聚類算法，提出了用該算法對(duì)RBF神經(jīng)網(wǎng)絡(luò)的中心值進(jìn)行優(yōu)化，經(jīng)二個(gè)實(shí)驗(yàn)驗(yàn)證，該算法有效的克服了RBF神經(jīng)網(wǎng)絡(luò)算法的缺點(diǎn)，