复杂网络聚类及其在神经网络中的应用分析-analysis of complex network clustering and its application in neural networks.docx

摘 要当今，随着信息技术的高速发展，数据量正在呈指数增长，如 何快速、准确地从大规模、杂乱无章的数据中找到所需信息就成了 一项十分有意义的课题。聚类分析方法作为数据挖掘技术中的重要 方法之一，它恰好为海量数据的研究分析提供了一种方法，并被广 泛应用到现实社会的各个领域。但是聚类分析方法中的很多聚类算 法要求事先确定聚类数目，如何确定聚类数目是一个复杂而艰巨的 问题。近年来，人工神经网络因具有较高的非线性、并行性、良好的 容错性及较强的鲁棒性等优点，在许多领域中得到了广泛的应用。 尤其是 RBF 神经网络有很强的非线性拟合能力，可映射任意复杂的 非线性关系，但是 RBF 神经网络的非线性映射能力体现在隐含层基 函数上，基函数的特性主要由基函数的中心确定，而在实际应用中 基函数中心的确定是一个困难的问题。基于上面的问题，本文研究将复杂网络的社团划分技术与相似 度量相结合的聚类算法，解决事先确定聚类数目的问题，并把该算 法引入神经网络对 RBF 神经网络的中心进行优化，最后试验验证。 本文首先阐述了当前常用的社团发现算法，分析了各种算法优 缺点。然后通过对 k-均值聚类算法的研究分析，提出了一种基于复 杂网络社团发现的 CNM 算法与相似度量相结合的聚类算法，该算 法克服了 k-均值算法需根据先验知识确定聚类个数的缺陷，通过二 个聚类分析实验表明该算法提高了聚类的质量。最后基于复杂网络I社团发现算法与相似度量相结合的聚类算法，提出了用该算法对RBF 神经网络的中心值进行优化，经二个实验验证，该算法有效的 克服了 RBF 神经网络算法的缺点，提高了网络的精度。关键词：复杂网络;社团结构;RBF 神经网络;聚类ABSTRACTNowadays,with the rapid development of information technology, the amount of data is growing exponentially. How to find the information quickly and accurately from the large and chaotic data has become a very interesting topic. The clustering analysis method of data mining technology is one of the important methods, which provides a data research and analysis method for huge amounts of data and applies to various areas of real world widely. However, most of the cluster analysis algorithm requires pre-determined the number of clustering, how to determine the number of clustering is a complex and difficult problem.In recent years, artificial neural network due to high non-linear, parallel, good fault tolerance and strong robustness, etc., it has been widely used in many areas. Especially RBF neural networks have a strong ability of nonlinear fitting can map arbitrary, complex and nonlinear relation, but its ability of mapping nonlinear is reflected in the hidden basis function, the basis function of the characteristics of the main determined by the basic function of the center. However, the determination of basis function center is a difficult problem in practice.Based on the above issues, we discuss the clustering algorithm which combined the complex network