资源描述：
《基于ART1人工神经网络的数据聚类》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。
1、CN4321258/TP计算机工程与科学2002年第24卷第2期ISSN10072130XCOMPUTERENGINEERING&SCIENCEVol124,No12,2002文章编号:10072130X(2002)0220092204X基于ART1人工神经网络的数据聚类DataClusteringBasedonART1ArtificialNeuralNetworks12左珑,谭明峰12ZUOLong,TANMing2feng(11中国国防科技信息中心,北京100036;21国防科技大学计算机学院,湖南长沙410073)
2、(11ChinaDefenseScienceandTechnologyInformationCenter,Beijing100036;21SchoolofComputerScience,NationalUniversityofDefenseTechnology,Changsha410073,China)摘要:本文对数据聚类进行了研究,提出了一种利用ART1人工神经网络的数据聚类方法的结构和算法。Abstract:Dataclusteringisstudiedinthispaper,andastructureandanal
3、gorithmfordataclusteringareproposed1关键词:数据挖掘;数据聚类;ART1人工神经网络Keywords:datamining;dataclustering;ART1artificialneuralnetwork中图分类号:TP311113文献标识码:A完全的、有噪声的、模糊的、随机的数据中,提1引言取隐含在其中的、人们事先不知道但又是潜在有用的信息和知识的过程。还有很多和这一术语相近十几年来,人们利用信息技术生产和搜集数近似的术语,如从数据库中发现知识(KDD)、据的能力大幅度提高,千万
4、个数据库被用于商业管数据分析、数据融合(DataFusion)以及决策支理、政府办公、科学研究和工程开发等等,这一趋持等。人们把原始数据看作是形成知识的源泉,势仍将持续发展下去。因此,信息过量几乎成为人就像从矿石中采矿一样。原始数据可以是结构化人需要面对的问题。如何从中及时发现有用的知的,如关系数据库中的数据;也可以是半结构化识,提高信息利用率呢?面对“人们被数据淹没,的,如文本、图形、图像数据;甚至是分布在网却饥饿于知识”的挑战,数据挖掘技术应运而生,络上的异构型数据。发现知识的方法可以是数学并得以蓬勃发展,越来越显示
5、出其强大的生命力。的,也可以是非数学的;可以是演绎的,也可以是归纳的。发现了的知识可以被用于信息管理、2数据挖掘与数据聚类查询优化、决策支持、过程控制等,还可以用于数据自身的维护。因此,数据挖掘是一门很广义数据挖掘(DataMining)就是从大量的、不的交叉学科,它汇聚了不同领域的研究者,尤其X收稿日期:2001203223;修订日期:2001205228作者简介:左珑(19732),男,天津人,硕士,研究方向为数据库和计算机网络;谭明峰,博士生,研究方向为计算机体系结构和量子计算。通讯地址:100036北京市122信
6、箱6分箱;Tel:(010)66358344Address:P1O1Box12226,Beijing100036,P1R1China92是数据库、人工智能、数理统计、可视化、并行接。该网络结构还包括三个附加模块,即增益计算等方面的学者和工程技术人员。1、增益2和复位模块,如图1所示。利用DM(KDD)技术可以完成多项决策所需任务,大致可分为下述几方面:(1)预测:从事例中求得模式,构造模型以预测目标度量;(2)分类:找出一函数能使每事例映射到某种离散类别之一;(3)查出关系:搜索到对某选定目标变量最有影响的其它独立变量;
7、(4)显式模型:找出描述不同变量间依赖关系的显式公式;(5)聚类:认定出描述数据的类别的有限分组;(6)偏离检测:从数据已有或期望值中找出某些关键测度显著的变化。而上述过程中的聚类过程是一组个体按照相似归成若干类别,即“物以类聚”。它的目的是使得属于同一类别的个体之间的距离尽可能地小,而不同类别上的个体间的距离尽可能地大。图1ART1人工神经网络结构聚类方法包括统计方法、机器学习方法、神经网312ART1人工神经网络数据聚类工作方式络方法和面向数据库的方法。ART1人工神经网络的子系统包括两层具有在统计方法中,聚类称聚类
8、分析,它是多元前馈和后馈特征的神经元(比较层和识别层)。数据分析的三大方法之一(其它两种是回归分析该系统决定输入数据是否与已存储的一个原型相和判别分析)。它主要研究基于几何距离的聚类,匹配,如果匹配,就会产生共振。定位子系统负如欧式距离、明考斯基距离等。传统的统计聚类责监测在识别层自下而上和自上而下模式之间的分析方法
