SOM算法研究与应用.docVIP

SOM算法研究与应用聚类分析在数据挖掘研究中占有重要的位置，聚类是一个将数据集划分为若干类的过程，并使得同一个类内的数据对象具有较高的相似度而不同类的数据对象之间的区别较大。 聚类分析属于一种无教师监督的学习方法，其基本的指导思想是最大程度地实现类中对象相似度最大类间对象相似度最小。本文介绍了一种基于自组织映射网络的数据聚类方法该方法。分别从其研究背景和算法以及算法的设计与实现进行说明。脑科学的研究表明，人类大脑皮层中的细胞群存在着广泛地自组织现象。处于不同区域的神经元具有不同的功能，它们具有不同特征的输入信息模式，对不同感官输入模式的输入信号具有敏感性，从而形成大脑中各种不同的感知路径。并且这种神经元所具有的特性不是完全来自生物遗传，而是很大程度上依赖于后天的学习和训练。而本文所介绍的自组织特征映射网络（SOM）就是根据这种理论而提出的。 自组织映射(Self-OrganizingFeatureMaps，SOM)网络也称为Kohonen网络，该模型是由芬兰的赫尔辛基大学神经网络专家TeuvoKohonen于1981年提出，现在已成为应用最为广泛的自组织神经网络方法。TeuvoKohonen认为处于空间中不同区域的神经元有不同的分工，当一个神经网络接受外界输入模式时，将会分为不同的反应区域，各区域对输入模式具有不同的响应特征。这种网络模拟大脑神经系统自组织特征映射的功能。它是一种竞