基于自组织特征映射神经网络的数据挖掘研究.pdfVIP

基于自组织特征映射神经网络的数据挖掘研究 255 基于自组织特征映射神经网络的数据挖掘研究+ 常郝周国祥 合肥工业大学计算机与信息学院合肥230009 摘要：聚类是数据挖掘中重要的研究课题。本文根据使用神经网络进行数据挖掘的具体步骤，首 先对自组织神经网络在数据挖掘中的应用作了深八研究，接着利用MATLAB神经网络工具箱实现了SOFM 的一个数据挖掘应用实例，结果表明利用自纽织神经网络进行聚类具有噪声数据承受力高和错误率低 的优点。 关键词：数据挖掘神经网络聚类自组织特征映射 1引 言 随着数据库技术的发展，数据量急剧增大，如何利用海量的数据为决策服务，是近年兴起的数据挖掘 技术追求的目标。目前数据挖掘主要利用人工智能中的一些算法和技术包括人工神经网络技术等来进行预 测，模式识别，分类和聚类分析。 尽管神经网络具有结构复杂，可解释性差，结果不容易表示等缺点，但其对噪声数据的高承受力和低 错误率的优点，以及各种网络训练算法的陆续提出与优化，使得神经网络在数据挖掘中的应用越来越为广 Feature 大使用者所青睐“。4】。本文结合数据挖掘和神经网络讨论了自组织特征映射(Self-Organizing Mapping，SOFM)网络在数据挖掘中的聚类研究。 2基于神经网络的数据挖掘 2．1数据挖掘 随着人们认识和管理水平的提高，对客观世界的描述越来越全面，存储的数据量越来越大，然而，对 数据库中数据的开发应用主要是检索查询，效率很低。大量的数据被描述为“数据丰富，但信息贫乏”。为 此，决策者迫切需要从海量数据库中提取有价值信息的工具，数据挖掘技术正是为满足上述要求由此产生。 数据挖掘是指从数据库的大量数据中揭示出隐含的、事前未知的、潜在有用的信息的非平凡过程，数据挖 掘是信息技术自然演化的结果91。 聚类分析是数据挖掘研究领域非常活跃的研究课题。聚类就是将数据对象分组成为多个类或簇，在同 一个类中的对象之间具有较高的相似度，而不同类中的对象差别较大”J。传统的聚类分析主要集中在于基 义的优点，但也存在许多问题，如必须指定初始聚类点16j。 2．2基于神经网络的数据挖掘 神经网络是常用的数据挖掘技术之一，最早由心理学家和神经生物学家提出，旨在寻求开发和测试神 +作者简介：常郝，男，台肥工业大学，硕士研究生；周国祥，男，合肥工业大学，副教授，硕士生导师 256 计算机技术与应用进展·2006 经的计算模拟。神经网络能够对复杂问题能进行很好的预测，对噪声数据的承受能力比较高，以及它对未 经训练的数据聚类能力。使用神经网络进行数据挖掘的过程由数据预处理，网络构造和训练，规则抽取与 评估三个阶段组成。 数据预处理就是对被挖掘的数据进行定义、处理和表示，以使它适应于特定数据挖掘方法。网络构造 就是根据不同的挖掘目的选择适当的神经网络模型和算法。最后测试提取规则的正确性以及检测提取出来 的规则与训练好的神经网络之间的不一致的地方 3自组织特征映射神经网络在数据挖掘中的应用 3．1自组织特征|映射神经网络的模型 自组织现象是指：人脑在许多区域是有组织的，不同的区域的作用各不相同，不同的感官输入被传递 给不同位置的脑细胞群，并且这种神经元所具有的特性不是完全来自生物遗传，而是在很大程度上依赖于 后天的学习过程m。在生物神经元中，神经元的突触权值与神经元间距离的关系如图I所示。 交互作曲 ／ l ， ， ‘} 一／