基于神经网络聚类的研究-青岛大学.pdf

维普资讯 第 16巷第 4期 青 岛 大 学 学 报 Vd 16No4 2001年 12月 JOURNALOFQINGDAOUNIVERSITY Dec2001 立章蕾号：1006．9798~0021—04 基于神经网络聚类的研究 李戈 ，邵峰晶，朱本浩 (青岛大学信息I程学院，青岛 266071) 摘要：提出了一种基于Kohonen网络的改进聚类算法，并给出了基于数据仓库平台的具体 实现方案。通过对实例的聚类测试，对算法本身的若干指标进行了研究分析。 关■词：数据挖掘；聚类分析；Kohonen网络 中国分类号： TPIB3 文献标识码：A 聚类分析在数据挖掘研究中占有重要的位置。 1 Kohonen网络模型 所谓聚类，是将一个数据单位 (对象)的集合 (数据 潭)分割成几个称为类或类别的子集．每个类内的对 由于聚类分析结果的不可知性，聚类不是基于 象之间是相似的，但不同类的对象间区别较大 】。 训练数据的，而是直接对数据源进行处理，其过程是 聚类分析是根据事物本身的特性研究对象分类 一 个无导师指导的学习过程。因此，我们在实现的 的方法。聚类分折依据的原则是使同一类中的对象 聚类分析器中采用了最典型的无导师指导学习网络 具有尽可能大的相似性．而不同类中的对象具有尽 一 自组织特征映射网(Kohonen网)。 可能大的差异性。聚类分析要解决的就是实现满足 11 Kohonen网络模型 这种要求的类的聚合。在进行聚类分析之前，这些 类别是潜在的，可分成的类的个数(聚类数)也是不 可知的。 聚类分析方法的典型代表是基于距离的传统聚 类算法，如K—meansI2算法等。这些聚类学习具有 聚类结果清晰，无模糊、二义的优点，但也存在许多 同题，如要求事先指定K个聚类初始点。如前所述 聚类是一个事先未知的过程．而聚类结果对 K值 (聚类数)大小非常敏感，对于不同K值的聚类结果 往往大相径庭 。因此，如何事先确定 K值是传统聚 圉1 二维阵列Kohone~枢 1 类算所存在的最大问题I3]。 1981年 T．Kohonen提出了自组织特征映射 神经网络是近年来广泛兴起的可应用于模式识 别、智能控栅等信息处理的有力工具，具有很强的自 SOM(SeLf-OrganlzingfeatureMaD)的概念．并给出 了相应的Kohonen神经网络的模型[4J。由于Koho— 适应学习能力、鲁棒性和容错能力．从而可以代替复 nen网络的自调整过程模仿了人类大脑的自组织过 杂的传统算法，使信号处理过程更接近于人类思维 程．因而它可以用来模仿有关外界信息在人脑中自 括动。针对传统聚类算法存在的同题，本研究实现 组织地形成概念的过程。 了采用神经网络学习的聚类分析器，并通过实例对 图1给出了由输入层和竞争层组成的无隐层 聚类分析的重要指标进行了分析。 Kohonen网络模型。输入层是 由Ⅳ个神经元组成 的一维序列，竞争层是由 X．- =H个神经元组成