基于SOM神经网络的聚类可视化方法研究

论文摘要

随着数据库技术的成熟应用和Internet的迅速发展,人们利用信息技术生产和搜集数据的能力大幅度提高,使得从大量数据中挖掘出有用的信息或知识成为一个迫切需要解决的问题。正是这种需求推动了数据挖掘的兴起和数据挖掘技术的发展。数据挖掘经常要面对一些有噪声、杂乱、非线性的数据,而神经网络具有良好的鲁棒性、自适应性、并行处理、分布存储和高度容错性等特点,因此神经网络非常适合解决数据挖掘的一些问题。聚类分析是数据挖掘的一项重要功能,特别对高维数据的分析具有非常大的优势。自组织特征映射(SOM)神经网络不但在数据挖掘、机器学习、模式分类和可视化中得到了广泛的应用,同时可视化技术是进行生物数据挖掘的重要手段。本文以聚类算法为基础,总结和分析现有的数据可视化方法,对聚类结果可视化技术进行深入且细致的研究。并提出用非线性主成分分析(NLPCA)和自组织映射(SOM)网络相结合的方法对生物信息学中基因表达数据进行聚类可视化分析。通过对实验结果的分析,表明这种方法有较高的聚类正确率,用于基因表达数据的聚类分析是行之有效的。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 研究的背景和意义
• 1.2 可视化技术的重要性和应用
• 1.3 可视化数据挖掘的发展
• 1.4 论文研究的内容
• 第2章 数据挖掘理论概述
• 2.1 数据挖掘的定义
• 2.2 数据挖掘工作流程
• 2.3 数据挖掘的任务
• 2.4 数据挖掘的常用算法
• 第3章 神经网络在可视化中的应用
• 3.1 数据可视化问题的由来
• 3.2 数据可视化的发展状况
• 3.3 解决可视化问题的常用方法
• 3.3.1 主成分分析
• 3.3.2 非线性主成分分析
• 第4章 基于人工神经网络的数据挖掘方法
• 4.1 人工神经网络基本理论
• 4.1.1 人工神经网络的类型
• 4.1.2 人工神经网络的基本结构
• 4.2 SOM 神经网络
• 4.2.1 SOM 神经网络算法的训练过程
• 4.2.2 SOM神经网络的聚类功能
• 4.2.3 SOM 神经网络参数设置
• 第5章 总体设计与实现
• 5.1 实验准备
• 5.1.1 数据来源与实验目的
• 5.1.2 数据预处理
• 5.2 构造聚类可视化模型
• 5.3 SOM 网络在基因表达数据聚类分析中的应用
• 5.3.1 构建a 类网络
• 5.3.2 构建b 类网络
• 5.3.3 构建c 类网络
• 5.4 三种聚类可视化模型性能分析
• 5.5 实验结论
• 第6章 总结
• 参考文献
• 致谢
• 在学期间公开发表论文及著作情况