一种新的进化树型自组织神经网络的研究与应用

论文摘要

聚类／分类算法是统计、机器学习和模式识别等领域中的一个研究热点和难点。而神经元网络因其所独有的对一些特定的特征能够给予有选择的感知能力而使其成为上述研究领域中信息处理的有力工具。自组织映射神经(SOM)网络以及它的各种变体是目前最流行的无监督学习的人工神经网络算法，SOM网络是一个新的有效的高维数据可视化和聚类工具，它能把高维数据集之间的复杂的非线性的统计关联转变成一个低维空间上显示的简单几何关系。很多科学领域都已经采用了SOM作为一个标准的分析工具：统计学、信号处理、控制理论、金融分析、实验物理学、化学、医药等。针对传统SOM网络中预定网络拓扑结构的不足和其不能按需要方便地在合适的位置生成新结点，导致算法执行效率低的问题，本文采用了动态增长的进化树型自组织神经网络模型，并利用生长因子和分裂因子来控制网络的生长，把它用在数据挖掘应用中是十分有效的。我们详细描述了该算法的实现过程，讨论了聚类精度的度量标准。本文给出了算法的正确性和时间复杂度分析，仿真结果表明，该模型具有很好的网络特性，克服了传统网络固有的局限性，验证了算法是有效性的并且模型是自适应性的。

论文目录

• 摘要
• ABSTRACT
• 目录
• 第一章 绪论
• 1.1 论文工作的目的和意义
• 1.2 SOM 神经网络的发展和现状
• 1.2.1 Growing SOFM
• 1.2.2 G-SOFM
• 1.2.3 结构自适应自组织神经网络 （SASONN）
• 1.2.4 自组织过程神经网络 （SOPNN）
• 1.2.5 TS-SOM
• 1.2.6 树型动态自组织特征映射 （TGSOM）
• 1.2.7 GSOM
• 1.3 论文的主要研究内容和结构安排
• 第二章 自组织映射神经网络 （SOM）
• 2.1 引言
• 2.2 自组织学习竞争神经网络
• 2.2.1 网络结构
• 2.2.2 竞争学习规则
• 2.2.3 竞争网络的训练过程
• 2.3 自组织映射神经网络
• 2.3.1 SOM 神经网络拓扑结构
• 2.3.2 SOM 神经网络的训练过程
• 2.3.3 SOM 神经网络的传统学习算法
• 2.3.4 SOM 神经网络的网络特性
• 2.3.5 SOM 存在问题以及改进学习算法
• 第三章 数据挖掘中的聚类分析研究
• 3.1 聚类分析定义
• 3.2 现有聚类算法研究
• 3.2.1 基于划分的聚类方法
• 3.2.2 基于层次的聚类方法
• 3.2.3 基于密度的聚类方法
• 3.2.4 基于网格的聚类方法
• 3.2.5 基于模型的聚类方法
• 3.3 聚类结果的评估研究及各种聚类算法的比较
• 第四章 一种新的进化树型自组织映射神经网络
• 4.1 引言
• 4.2 进化树型自组织映射神经网络
• 4.2.1 ET-SOM 神经网络的拓扑结构
• 4.2.2 ET-SOM 神经网络的训练过程
• 4.2.3 ET-SOM 神经网络的具体算法
• 4.2.4 ET-SOM 算法补充说明
• 4.2.5 定义聚类来评估 ET-SOM
• 4.2.6 ET-SOM 算法主要实现模块
• 4.2.7 ET-SOM 神经网络的网络特性
• 4.3 应用与仿真
• 第五章 ET-SOM 在数据挖掘中的应用研究
• 5.1 引言
• 5.2 使用 ET-SOM 进行数据挖掘的实例分析
• 第六章 总结与展望
• 6.1 总结
• 6.2 本文独创及新颖之处
• 6.3 下一步的工作
• 参考文献
• 附录 攻读学位期间发表论文情况
• 致谢