SOM的聚类算法研究.pdf

第 7卷 第 4期 太 原 师 范 学 院 学 报 (自然科学版) Vo1．7 No．4 2008年 l2月 J0URNAIOFTAIYUAN NORMALUNIVERSITY (NaturalScienceEdition) Dec． 2008 SOM 的聚类算法研究 岳素青 (晋城职 业技术学院 数 学系，山西 晋城 048000) L摘 要 ] 自组 织特 征 映射 神 经 网络 SOM (SelfOrganizingFeatureM aps)作 为 一 种 优 良的聚 类工具 ，具有无 需监督 ，能 自动对输入 模 式进行 聚类 的优 点 ，已经得到 了广 泛 的应 用．针对 SOM 可 能 出现 “死结点”现 象 ，文章 引进 了 “良心 ”算法 ，实例证 明是 有效 的． [关键 词 ] 自组 织特 征 映射 ；聚类 ；良心算 法 [文章编 号] l672—2027(2008)04—0023—03 [中图分 类号] TP311 [文献标识 码] A 0 引言 S()M 是无监督 的神经 网络 ，它模仿 了人脑神经元 的相关属性 ， S()M 网络的拓扑结构包含输入层和输出层，输入层结点的数 目同输入 向量的维数相同，每个输入结点都 同所有的输出结点相连接 ，见图 1． SOM 神经网络的主要 目的是把 维空间的输人数据映射到低维 (通常是一维或二维)的神经元网格上 ，并保持原来的拓扑次序．意味着 网格中神经元的空间位置对应于输入模式的特定区域或特征． SOM 是竞争式学习网络 ，每当一个向量被提交，具有最近权值向 图 1 二维阵列SOM 网络模型 量的那个神经元将竞争获胜．获胜神经元及其邻域内的神经元将移动 Fig．1 Som networkmodelof 它们的权值向量从而离输入向量更近一些．权 向量有两个趋势：首先 ， two—dimensionalarray 它们随着更多的输入向量被提交而分布到整个输入空间．其次，它们移向邻域 内的神经元．两个趋势共同作 用使神经元在那一层重新排列。从而最终输入空间得到分类Ⅲ． 1 自组织特征映射算法 假定输入向量 { }维数为 ，输出结点数为N(N=n× )，下面是所采用的SOM 算法步骤． 1)初始化 ：将初始权值向量W (O)，(j=一1，2，…，Ⅳ)选择随机值． 2)寻找获胜结点：计算 与 的欧氏距离 ，从中选 出获胜结点 1．0 r ’ ()． ()一argrainIl 一础 表示最优匹配输入 向量 的神经元． 3．6n 卜—一 —— 3)定义获胜领域 N ，(f)：获胜领域函数选择为高斯函数 h 2o 2 一exp(一 )(图 2)，以 ()为中心确定f时刻的权值调整域 ，一般 ／ { 初始邻域较大，训练过程 中h 随训练时间逐渐收缩．其中 一 ／ ＼＼ ，一，一，}lr，定义获胜神经元 的离散位置 ，r定义兴奋神经元 的 一 O 位置；