RBFN神经网络和蚁群算法在企业知识聚类中的对比分析.doc

RBFN神经网络和蚁群算法在企业知识聚类中的对比分析RBFN神经网络和蚁群算法在企业知识聚类中的对比分析学术论坛RBFNSCIENCE&TECHNOLOGYINFORMATION神经网络和蚁群算法在企业知识聚类中的对比分析廖文彬(成都理工大学信息管理学院四川成都610059)摘要:文中设计了一个3层径向基神经网络(RBFN)用于对企业的5项评价指标进行聚类分析,,隐含层到输出层通过"模2递减"学****速率的BP学****蚁群算法根据信息素的分配能够自动调整收索路径,,与蚁群算法相比,改进RBFN具有快速收敛,自动识别奇异样本的优点,而蚁群算法无须教师学****RBFN蚁群算法聚类中图分类号:TP301文献标识码:,在各种聚类算法中,RBFN倍受关注(Berthold1995,Change1996,Strumillo1997等)",通过调整学****参数来改进算法速度受到了忽略,本文通过动态调整算法学****参数获得了速度快,,路径收索策略和最优解保留策略都进行了理论分析和仿真研究,=.,i=1,,?}是由N/f-~本组成的模式样本空间,,x:为M维模式矢量,apx.【,?,ro聚类问题就是要找到一个划分D【D-,…DA(K为聚类数),在满足=Y日,日#埘n:0(f'=一五f?D的条件下,使得总的聚类离散度磊,)(._1,2,…J'J为隐含层节点数)最小,其中,,即:Cj磊,(RBFN),该网络通过改变非线性变换函数的参数实现非线性映射,,隐含层和输出层3层构成,(a1),管理水平(),服务质量(a),客户情感(a4)和社会责任()等5方面给予模糊评价,评价由5个等级(1一最好,2一很好,3一好,4一一般,5一差)组成,:数据来源于《系统工程理论方法应用》13卷第1期《客户关系管理中的客户衰l客户埘企业知识评价指标I嚏謇户疆号鲁自^-客户一号^鲁自^鲁22ll241243333't3Iz442242542l24t543333642333732l23l7423338423421841234I932I3ttO222232042333知识发现的一种分析方法》,,第1阶段中,,其方法有多种,输入层到隐含层采用传统的K_均值算法有利于样本的无教师学****输出层的传递函数为纯线性函数,网络的权值调整按限定步长优化进行,学****速率采用"模2递减":在步长增大的同时,取n=n/2,实验结果表明,这一改进达到了两个目的:1>速度提高了2—3倍;2>避免了常数学****速率造成后期训练振荡,即当接近最优解的时候,由于学****速率过大,而WLi=WLi+'(sL(xi)一YL(X))?Ri(Xi)(k=1,2,…,K;i:1…2.,J),也可以取=,m(m>=1,当m=1时退化为常规RBFN)o然而,这个问题可以转化为步长每m/2步修改一次n,所以事实上与"模2递减":Step1:设置网络各层节点数:N=20,J=3,K=3;初始化聚类中心C;初始化聚类标志数组F,并根据F设置s为标准输出;初始化权值矩阵w为卜1,,Step2:更新聚类中心C..?.Step3:修改聚类标志数组F,若F发生改变则转Step2.,l—Step4:计算聚类方差..?一C』)(,一cJ)'Step5:计算隐含层到输出层的输出L(x)善),(上='f=?,其中,径向基函数取高斯函数:=呷【-】.Step6:根据跌代次数,按"模2递减"规则修改学****步长,即取='//:修改权值Wki=Wki+?(sL(xi))-R.(X;)oStep8:若i<N,:计算总误Error:??(Yt(X)一st(