人工神经网络在多尺度聚类挖掘中的应用.docxVIP

人工神经网络在多尺度聚类挖掘中的应用 摘要：人工神经网络是机器学习中的重要研究内容，为解决线性和非线性的问题提供了很好的解决方法。首先，本文对人工神经网络在机器学习中的发展进行了介绍；其次，基于低尺度信息作为神经网络输入端，高尺度结果作为神经网络输出端的思想，将人工神经网络应用于多尺度数据挖掘，给出了一种相应的多尺度挖掘算法并对该算法进行了讨论。 关键词：机器学习，人工神经网络，多尺度挖掘 Abstract：Artificial Nerual Network (ANN) is the main research field in Machine Learning (ML), and provides a good way to solve Linear and Unlinear problem. Firstly, this paper introduces the development of ANN in ML and its some different models. Secondly, gives a Multiscale Mining algorithm under the idea of Mine Scale Info as the ANN’s input, Coarse Scale Info as the ANN’s output. At last, analysis the algorithm proposed in the paper. Key Words: Machine Learning, Artifical Neural Networks, Multiscale Mining 引言 机器学习与计算机科学、心理学、认知科学等学科都有着密切的联系，关于机器学习，至今没有一个精确的定义，目前在机器学习领域影响力较大的是Tom M. Mitchell的观点：机器学习是一个系统自我改进的过程。机器学习就是要使计算机能模拟人的学习行为，自动地通过学习获取知识和技能，进而不断改善性能，实现自我完善。机器学习所研究的就是如何使机器通过识别和利用现有知识来获取新的知识和技能，作为人工智能的一个重要研究领域，机器学习的研究工作主要有学习机理、学习方法、面向任务等基本方面。根据机器学习的描述，机器学习可以分为四个部分：现有知识即环境、猎取新知识的手段即学习、改善性能即执行、获取的知识即知识库。其各部分的关系如图1所示： 图1、机器学习基本结构机器学习发展迅速，到目前为止已取得了很大的研究成果，成熟的机器学习方法有：决策树学习、人工神经网络、贝叶斯学习、基于实例的学习、遗传算法、分析学习、归纳学习、增强学习以及各种方法相结合的学习方法。其中人工神经网络是机器学习领域最为重要的学习方法之一，人工神经网络是人们在人脑结构、组成、基本工作单元及工作机理的深刻认识基础上，综合数学、物理学及信息处理等学科的方法进行抽象建立起来的学习模型。Hecht Nielsen认为：神经网络是由多个非常简单的处理单元彼此按某种方式相互连接而形成的计算机系统，该系统靠其状态对外部输入信息的动态响应来处理信息，是旨在模仿人脑结构及其功能的信息处理系统，根据神经网络的来源及其特点，可以将神经网络包括三个基本组成：接受外界刺激的感受器、处理及传递信息的神经单元、做出响应的效应器，其各自的关系如图2所示： 图2、人工神经网络系统框架鉴于人工神经网络强大的功能及良好的特点，本文提出如何将人工神经网络应用于多尺度聚类挖掘，进而解决在不同尺度进行准确聚类的问题。文章第二部分对人工神经网络进行了介绍，并详细分析了人工神经网络中的两个模式：前向人工神经网络及后向人工神经网络；第三部分介绍了人工神经网络在多尺度聚类挖掘中的应用，并阐述了算法及详细的算法描述；最后对文章的研究进行了总结和展望。 人工神经网络计算 人工神经网络理论 生物学基础： 可以简单地认为生物神经系统是以神经元为信号处理单元，通过广泛的突触联系形成的信息处理集团，其物质结构基础和功能单元是脑神经细胞即神经元（neuron）。 神经元具有信号的输入、整合、输出三种重要的功能行为，信号的输入由树突和细胞体系完成，并由突触作为信号的传导，最终由轴突及其末稍做出响应。因此实触是整个神经系统各单元信号传递的通路，构成了神经元之间广泛的连接。 物理实现： 根据神经元的功能理论，人们结合数学、物理学、计算机科学等学科用物理的方式实现了神经网络系统来模拟人脑神经元的结构与功能，其基本模型如图3所示： 图3、神经网络基本模型人工神经网络一般包含两层：源结点输入层和输出神经元层，而多层神经网络还包括隐藏神经元层。神经网络的典型应用有Rosenblatt感知器、回归模型、多层感知器、径向基函数网络、自组