如发现有乱码，请点击下面链接浏览原文
正文摘录:

2006年第24期总第239神经网络的特征映射聚类算法研究林金山，林敏(福建莆田学院福建莆田351100)摘要：自组织特征映射作为一种神经网络方法，在数据挖掘、机器学习和模式分类中得到了广泛应用。他将高维输入空间的数据映射到一个低维、规则的栅格上，从而可以利用可视化技术探测数据的固有特性。说明自组织特征映射神经网络的工作原理和具体实现算法，并在对已有神经网络聚类分析方法概括和总结的基础上，结合一些实验数据、仿真数据对自组织特征映射算法进行研究，得出了一些有意义的结论。关键词：数据挖掘；神经网络聚类；自组织特征映射；可视化技术中图分类号：TPl83文献标识码：A文章编号：1004ResearchinClusteringofSOFMNeuralNetworkLINJinshan，LINMin(PutianUniversity，Putian，351100，China)Abstract..Asamethodofneuralnetwork，theSelf—OrganizingFeatureMap(SOFM)isanexcellenttoolfordatamining，machinelearningandpatternclassification.Itprojectsinputspaceonprototypesofalow—dimensionalregulargridthatcanbeeffectivelyutilizedtovisualizeandexplorepropertiesofdata.Inthispaper，thetheoryandalgorithmofSOFMareconsidered.Andonthebasisofanalysisandsummaryofcurrentneuralnetworkclustering，researchesinalgorithms0fseIf一0rganizedmappingwithsomeexperimentaldataofsimulation，at1astgetsseveralmeaningfulconclusions.Keywords：datamining；neuralnetworkclustering；self—organizedfeaturemap；visualizedtechnology随着科学技术的高速发展，以及各种资源数量的不断噌多，为了提高效率，信息处理已经成为当前最重要的研究内容，其中涉及到信息抽取、自然语言理解、自动聚类和分类、自动摘要、自动标注和主题识别、信息结构分析以及史本生成。其中关于自动聚类方面的研究较为深入，而且聚类技术已成为信息处理的核心技术”]。从20世纪40年l弋至今，国内外的研究者提出了很多聚类算法，如基于层欠的、基于平面分割、基于密度、基于规则和模型基于网格阳子空间的算法等，在这些众多的算法中，大多数算法都需要事先人为地给出一些参数，而且时空效率也有待于进一步提高。然而，在没有先验知识的情况下，人为地确定塞些参数是十分困难的。为了解决这个难题，需要研发新内聚类算法，在保证不降低时空效率和信息处理性能的前是下，力图减少或避免需要事先人为确定的参数。神经网络聚类是模型聚类的一种，神经网络聚类方法壬将每个聚类描述成一个例证”’。每个例证作为聚类的一个“典型”；他不必与一个示例或对象相对应。可以根据行对象与哪个例证最相似(基于某种距离计算方法)而将收稿日期：2006一08—30他分派到相应的聚类中。可以通过聚类的例证来预测分派到该聚类的一个对象的属性。比较著名的神经网络聚类算法有：竞争学习和自组织特征映射。自组织特征映射(Self—OrganizingFeatureMap)神经网络作为聚类技术的一种，首先由芬兰人Kohonen于1981年开始研究，因此也称为Kohone自组织特征映射0’。因其变换的保拓特性，有时又称为拓扑有序映射(topologicallyorderedmap)。本文在对已有神经网络聚类分析方法概括和总结的基础上，结合一些实验数据仿真数据对自组织特征映射算法进行研究，得到了一些有意义的结论。2神经网络聚类神经网络聚类的自组织特征映射方法(SOFM)，涉及到神经单元的竞争。2.1基于自组织特征映射方法的神经网络(SOFM)基于自组织特征映射方法的神经网络聚类(SOFM)，聚类过程也是通过若干单元对当前对象的竞争来完成0。’。与当前对象权值向量最接近的单元成为赢家或激活单元。为变得与输入对象更接近，获胜单元以及最近的邻居调整他们的权值。SOMs方法假设在输入对象中有一些布局和次序，SOMs方法将最终利用这些空间中的结41