基于自組織映射網(wǎng)絡(luò)和感知機(jī)的數(shù)據(jù)挖掘方法及應(yīng)用.pdf

1、隨著數(shù)據(jù)庫技術(shù)的成熟應(yīng)用和Internet的迅速發(fā)展，從大量數(shù)據(jù)中挖掘有用的信息成為一個迫切需要解決的問題，數(shù)據(jù)挖掘的研究應(yīng)運而生。數(shù)據(jù)挖掘經(jīng)常要面對一些有噪聲、雜亂、非線性的數(shù)據(jù)，而神經(jīng)網(wǎng)絡(luò)具有良好的魯棒性、自適應(yīng)性、并行處理、分布存儲和高度容錯性等特點，故神經(jīng)網(wǎng)絡(luò)非常適合用來解決數(shù)據(jù)挖掘的問題。 本文首先介紹了數(shù)據(jù)挖掘的概念、過程以及目前數(shù)據(jù)挖掘中常用的模型與算法，對人工神經(jīng)網(wǎng)絡(luò)的基本模型、拓?fù)浣Y(jié)構(gòu)和學(xué)習(xí)機(jī)制進(jìn)行了簡要的概述

2、。對人工神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)挖掘方法中的數(shù)據(jù)預(yù)處理問題進(jìn)行了研究分析。討論了數(shù)據(jù)清洗、數(shù)據(jù)集成和轉(zhuǎn)換，重點討論了數(shù)據(jù)表示和數(shù)據(jù)消減問題。 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。聚類具有無監(jiān)督學(xué)習(xí)能力，被廣泛應(yīng)用于多個領(lǐng)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(guān)系。 本文對

3、數(shù)據(jù)挖掘中主要的聚類算法進(jìn)行了簡要介紹，對神經(jīng)網(wǎng)絡(luò)中的自組織映射(SOM)神經(jīng)網(wǎng)絡(luò)進(jìn)行了深入研究，并對SOM學(xué)習(xí)算法進(jìn)行了優(yōu)化，在一定程度上提高了網(wǎng)絡(luò)迭代訓(xùn)練的速度；隨后對層拓展自組織映射網(wǎng)絡(luò)(GHSOM)進(jìn)行了研究，將灰關(guān)聯(lián)度分析(GreyRelationalAnalysis)引入GHSOM網(wǎng)絡(luò)，提出了GRAGHSOM算法。實驗結(jié)果表明GRAGHSOM算法在高維數(shù)據(jù)聚類過程中，體現(xiàn)了樣本向量各個分量在模型中的重要性，能更精確的進(jìn)行聚類