基于一维SOM神经网络的聚类及数据分析方法研究.pdf

中文摘要聚类分析是数据挖掘领域中一个非常活跃的研究课题。自组织特征映射网络�����������琒��芄唤�淙胧�萦成�到输出神经元阵列中,并保持数据集的拓扑结构和密度分布,使同类数据聚集在一起。自从��适酪岳矗�嗣嵌运�难芯看蠖嗍�劢乖诙�琒�上,对一维��难芯肯喽越仙佟V本跎希��琒�比一维��鼙3指�嗟氖�菁��构信息。但是,笔者发现,在把同类数据聚集在一起,把不同类数据完全分离方面一维��⒉谎飞�诙�琒�。而且,在类边界识别、样本之间的相似关系表达以及类与类之间的相邻关系的表达方面,~维��榷�琒�更容易、更明确。为此,本论文开展了基于一维��劾嗟南盗惺笛檠芯俊O低逞芯苛�一维��木劾喙δ埽�帕�7⒊黾父龌�谝晃琒�的聚类分析方法。实验结果表明,一维��芟穸�琒�一样对数据空间样本进行正确聚类。与二维��啾龋�晃琒�不但能保持原数据空间中类的线性可分性,而且能把数据空间中线性不可分的类映射为线性可分的类,使得一维��成�图中相邻数据和相邻类的关系更直观,类分界线的可视化更容易。通过系列实验,研究了神经元个数、训练参数与聚类结果之间的关系。提出了独立性、分散度和最大聚集度三个评价~维��盗泛途劾嘈Ч�亩�恐副辍�找到了使一维��玫匠浞盅盗返牟问�≈捣段АN?7⒒�谝晃琒�的系列聚类分析法奠定了基础。根据一维和二维映射图拓扑保持性的互补性,提出了基于一维和二维��组合图的聚类方法��甋��J褂酶梅椒ǘ匀�龅湫褪�菁��辛司劾嗍笛椋�结果表明,该方法不仅适用于球形类,对于结构复杂的非球形类也具有较好的聚类效果。针对高维大数据集聚类问题,提出了基于一维��钕嗨圃�托蛄械木劾�方法���甋��J笛楸砻鳎�梅椒ň哂薪虾玫目乖胍裟芰�投源笫�菁��处理能力,能够较好地识别基于距离的类和基于密度的类。提出了样距图的概念,确立了样距图数据的获取程序和样距图的绘制及校正方法,找出了典型数据集结构特征与样距图或校正样距图形状特征的一一对应关系。在此基础上提出了基于一维��涑鲂蛄醒�嗤嫉氖�莘治龇���甋���
实验表明,使用该方法不仅可以得到聚类结果,还能得到有关数据集的精细结构信息。关键词:数据挖掘,聚类,数据分析,一维��窬��纾�楹贤迹�钕嗨圃�型序列,样距图
.����������������甦������������鯟����������������猟�������������������������瑀������甀���������瓾�������甌����.����·�������—����.�����。����琣������.��������.����.�����������������甌����.��
瓸��������,����������琧���������.������������.����甋�����.���,�����,�������������������琧��������甌���,���.���篸������,���
平葛⋯一虢��瓷与签字日期:少吵年尸月,��签字日期:沙净罗月烨日签字目期:沙罗年夕月,乒日独创性声明学位论文版权使用授权书或撰写过的研究成果,也不包含为获得丕鲞盘堂或其他教育机构的学位或证本学位论文作者完全了解墨鲞盘堂有关保留、使用学位论文的规定。特授权丕盗本堂可以将学位论文的全部或部分内容编入有关数据库进行检本人声明所呈交的学位论文是本人在导师指导下进行的研究工作和取得的研究成果,除了文中特别加以标注和致谢之处外,论文中不包含其他人已经发表书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示了谢意。学位论文作者签名:索,并采用影印、缩印或扫描等复制手段保存、汇编以供查阅和借阅。同意学校向国家有关部门或机构送交论文的复印件和磁盘。�C艿难�宦畚脑诮饷芎笫视帽臼谌ㄋ得�导师签名:
第一章绪论��本文的选题背景与研究意义聚类分析已经成为数据挖掘领域中一个非常活跃的研究课题。�世纪�年代以来,随着信息技术和数据库技术的迅猛发展,人们可以非常方便地获取和存储大量的数据。面对大规模的海量数据,传统的数据分析工具�绻芾硇畔⑾低�只能进行一些表层的处理�绮檠�⑼臣频�,而不能获得数据之间的内在关系和隐含的信息。为了摆脱“数据丰富,知识贫乏”的困境,人们迫切需要能够智能地自动地把数据转换成有用信息和知识的技术和工具。数据挖掘技术应运而生。作为数据挖掘的重要工具,聚类分析能用来获得数据的分布情况,观察每个类的特点,或对特定的类做进一步的分析。此外,聚类分析也可以作为其它数据挖掘技术�绻亓7治�的预处理步骤,大大提高这些技术的执行效率。因此,自组织特征映射网络�����������琒��芄煌ü�宰橹��蹋�按照一定规则将输入数据映射到输出神经元阵列中,并给出映射图。