帶有緩存的映射性自適應(yīng)反饋算法及應(yīng)用.pdf

1、隨著計算機技術(shù)的誕生和信息革命的來臨，同時不可避免的產(chǎn)生了大量的數(shù)據(jù).而數(shù)據(jù)挖掘技術(shù)，就是人們面對大量數(shù)據(jù)而發(fā)展起來的一項多學(xué)科交叉的技術(shù).數(shù)據(jù)挖掘，或者叫做數(shù)據(jù)庫知識發(fā)現(xiàn)，是一種自動在大量數(shù)據(jù)中尋找具有某種相同屬性集合的技術(shù).而作為數(shù)據(jù)挖掘中的一個非常重要的階段，數(shù)據(jù)分簌是一個自主無監(jiān)督的分類過程，其將不同的數(shù)據(jù)分類到簌中，以達到發(fā)現(xiàn)隱藏在數(shù)據(jù)之間結(jié)構(gòu)的目的. 但是，傳統(tǒng)的數(shù)據(jù)分簌算法，例如層次分簌算法和分割分簌算法，往往無法

2、有效處理超大型的數(shù)據(jù)庫.因此，一種改進的神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)分簌算法，映射性自適應(yīng)反饋算法，應(yīng)運而生.它可以在高維空間進行數(shù)據(jù)分簌.然而，映射性自適應(yīng)反饋算法的成功運用，必須依靠參數(shù)的精確選擇和輸入數(shù)據(jù)的理想順序.這些缺點嚴重的阻礙了算法應(yīng)用于實時數(shù)據(jù). 在本文中，為了解決PART嚴重依賴參數(shù)的問題，我們提出了一些對映射性自適應(yīng)反饋算法的改進，包括引進了“緩存機制”和“平均相似度”的概念.這些改進，能夠在使該算法有效的分簌高相似性噪聲數(shù)

3、據(jù)的同時，放寬對參數(shù)精確選擇的要求.其中，緩存管理機制使得不能被立刻明確判定的輸入數(shù)據(jù)，不必馬上進行分簌.同時，平均相似度可以使得算法不必依靠參數(shù)的精確選擇.換言之，不同的參數(shù)能夠產(chǎn)生相同的分簌結(jié)果，包括簌的全部關(guān)聯(lián)維. 在我們的算法中，主要引進了緩存管理機制.當(dāng)輸入數(shù)據(jù)與分簌競爭的贏者之間的相似度大于參數(shù)ρ但是小于平均相似度時，該輸入數(shù)據(jù)并不會被立刻分配到分簌競爭的贏者結(jié)點中去，而是被暫時放入緩存中，以便于以后再作判斷.

4、 而另一個主要改進就是“平均相似度”的引進.平均相似度代表著該結(jié)點當(dāng)前所有分簌數(shù)據(jù)的相關(guān)維的平均數(shù).每當(dāng)有一個新的輸入數(shù)據(jù)被分配到這個結(jié)點(即這個簌)時，都要重新計算該結(jié)點的平均相似度.當(dāng)有新的輸入數(shù)據(jù)與目標簌之間的相似度小于該目標簌的平均相似度時，該輸入數(shù)據(jù)進入緩存.否則如果大于等于平均相似度，則該輸入數(shù)據(jù)被分配至該目標簌. 同時，我們在本文中對高維人工數(shù)據(jù)進行了模擬分簌，并且對照不同算法的結(jié)果，進行了比較.最后，我們使用映