一種基于GWRN模型的自組織神經網絡算法的研究及應用.pdf

1、Web服務器日志記錄了用戶與服務器之間的交互信息,而用戶在網站上的活動則隱含了他們的需求和興趣。通過對日志數(shù)據(jù)的分析,有助于我們了解用戶興趣,優(yōu)化站點的組織結構,改進Web服務器的性能,提高對用戶的個性化服務質量等。
　　 自組織特征映射網絡SOM通過網絡結構的自組織過程自動地對輸入的數(shù)據(jù)模式進行聚類,對數(shù)據(jù)具有良好的自適應能力和魯棒性,被廣泛應用在數(shù)據(jù)挖掘領域。然而SOM有其局限性:強制結束,不能保證收斂,學習過程不能優(yōu)化,輸

2、出結果依賴輸入數(shù)據(jù)序列,不同初始條件產生不同的結果。對于一個自組織神經網絡來說,生成新節(jié)點的能力是一個潛在的有用的工具。一個可以在其網絡空間中增加節(jié)點的網絡,比一般的有著固定結構和節(jié)點的網絡(如SOM)可以更準確的接近輸入空間。
　　 本文基于自組織神經網絡在模式聚類中的優(yōu)點,并將其與在需要時可生長的自組織神經網絡(GWRN)算法以及Hebb學習規(guī)則結合起來,提出一種新型的具有三層結構的自組織神經網絡算法。該算法保持了GWRN算

3、法的良好的自生長、自組織特性,只要網絡的當前狀態(tài)不足以與輸入匹配,學習算法就可以增加新節(jié)點。當提供了新的輸入數(shù)據(jù)后,網絡可以以較快的速度生長,并且一旦網絡與輸入數(shù)據(jù)達成匹配網絡就停止生長。我們將學習過程劃分為競爭階段和自激勵階段。競爭階段采用GWRN算法,網絡動態(tài)增長；自激勵階段采用Hebb學習規(guī)則將互相激勵的神經元歸為一類,提高類內的相似度。
　　 最后再對本文中提出的算法進行仿真測試和實際應用,并與GWRN算法進行比較,以體