基于改进ART2算法的数据聚类方法.pdfVIP

第 27卷 第 6期 兰 州 交 通 大 学 学 报 Vo1．27No．6 2008年 12月 Journa]ofLanzhouJiaotongUniversity Dec．2008 文章编号：1001—4373(2008)06一O119—05 基于改进 ART2算法的数据聚类方法 钱晓凌 ， 王金梁 (Jg京全路通信信号研究设计院，北京 100070) 摘 要：通过对经典 自适应谐振 (AdaptiveResonanceTheory，ART)神经网络聚类过程的分析，指出其存在警戒参 数主观设置，过分依赖获胜神经元信息，输 出无层次结构等不足之处．在此基础上，提出基于ART2神经网络的改 进聚类算法．本算法通过在竞争过程中同时考虑获胜神经元和其它神经元的信息以及 Hebb规则来实现通过单个 ART神经网络的多层动态聚类结构(对于一定范围粒度的聚类也不再需要重新训练神经网络)，除此还降低 了对 警戒参数主观设置的要求．这些优点有效满足聚类的基本要求，能够避免采用级联结构实现层次聚类带来的性能、 参数设置等问题． 关键词：Hebb；自适应谐振 ；神经网络；聚类；警戒参数 中图分类号：TP183 文献标识码：A 设置的较强主观性． 0 引言 本文提出一种基于ART2的改进神经网络聚 随着信息量的快速增长，聚类已成为信息检索、 类算法用以解决上述问题． 知识挖掘和知识管理等领域的关键技术，其 目的是 1 经典 自适应谐振神经网络分析 基于未标示类别的样本集构造类别边界 (即分类 面)，从而将数据样本进行划分，使每个类别内数据 自适应谐振神经网络属于无监督学习方式的神 样本尽可能相似，而类间差别尽可能显著．聚类分析 经网络，原理E2,4]基于竞争学习机制，又深受生物体 属于无监督方法，主要应用于未知分布的样本划分， 记忆模式的影响，记忆容量可以随着学习模式数量 此类样本没有先验知识或者经验，样本没有类别标 的增加而增加，不仅可以离线学习，也可以在线进行 签属性．文献[1]指出聚类的方法必须做到：1)能够 “边学边用”式的学习，即学习和应用状态的不可分 自发地从样本中发现模式分布规律，自动决定聚类 离；和其它神经网络学习模式不同，具备快速学习能 数 目；2)能够适应样本空间分布的变化，达到灵活 力，每输入一次样本向量就可以将其全部重要特征 和稳定的协调；3)能够在样本出现小幅度扭曲的时 存入长期记忆之中，具备很高的效率；最为重要的一 候，保持聚类结果的相对稳定性． 点是记忆能力能在稳定性和弹性之间取得 良好折 自适应谐振神经网络[2](ART：adaptiveRes— 衷，既可以保持权重系数基本不变，实现记忆的稳 onaneeTheoryNetwork)是优秀的聚类算法之一， 定，又可以逐步适应持续的向量变化，保持记忆的弹 可以有效实现记忆和学习的平衡、动态聚类，又具备 性，因而适应于平稳和动态的各类环境，是理想的聚 快速学习能力，其边学边用式的学习能力能够充分 类算法之一． 满足上述要求．但 由于 ART2采用 “winnertakes 经典 自适应谐振神经网络中ART2模型可以 all”的竞争规则，一般只考虑获胜神经元的信息，而 处理任意模拟向量，因而具有比较宽广的用途．基本 忽略输出层其它神经元的有用信息．输出层本质上 ART2结构_5]如图1所示． 属于一维或者平面结构，不能产生层次聚类结果．在