签字日期: 年 月 日 签字日期: 年 月 日 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(Self-Organization Map,SOM)能够将输入数据映射 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 SOM 问世以来,人们对它的研究大多数聚焦在二维 SOM 上,对一维 SOM 的研究相对较少。直觉上,二维 SOM 比一维 SOM 能保持更多的数据集结 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 SOM 并不逊色于二维 SOM。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,一维 SOM 比二维 SOM 更容易、 更明确。为此,本论文开展了基于一维 SOM 聚类的系列实验研究。系统研究了 一维 SOM 的聚类功能,着力开发出几个基于一维 SOM 的聚类分析方法。 实验结果表明,一维 SOM 能像二维 SOM 一样对数据空间样本进行正确聚 类。与二维 SOM 相比,一维 SOM 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 SOM 映射 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一维 SOM 训练和聚类效果的定量指标。 找到了使一维 SOM 得到充分训练的参数取值范围。为开发基于一维