參數(shù)適應自組織映射網(wǎng)絡的研究與應用.pdf_第1頁
已閱讀1頁,還剩80頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

1、算法的參數(shù)自適應是數(shù)據(jù)挖掘領域一個重要的研究課題,它的目標是使算法參數(shù)能夠進行自動調整,從而消除用戶在算法參數(shù)設置經(jīng)驗方面的不足及差異,使用戶能夠方便地使用算法并得到理想的運行效果。本文對比了已有的參數(shù)自適應方法,引入學習的思想來實現(xiàn)參數(shù)自適應,并基于這種方法對自組織映射網(wǎng)絡SOM進行改進,提出一種具有參數(shù)適應能力的SOM版本,即參數(shù)適應自組織映射網(wǎng)絡(PASOM)。PASOM算法除了能夠對與模型結構相關的參數(shù)進行自適應之外,還能對非結

2、構相關的參數(shù)進行學習和自適應,這是其優(yōu)于動態(tài)模型方法的地方。另一方面,PASOM中的參數(shù)學習思想類似于一種算法框架,它與目標算法SOM之間具有較強的獨立性,因此容易被擴展到其它目標算法之上,賦予其參數(shù)自適應的能力。
   PASOM的算法過程包括前期準備和算法應用兩個階段。前期準備階段的主要任務是確定經(jīng)驗實例的模式,即其數(shù)據(jù)結構。這部分工作是參數(shù)學習的基礎,而且只需要進行一次。而算法應用階段則包括了經(jīng)驗學習模型訓練、參數(shù)學習與預

3、測以及底層SOM調用等過程,它是PASOM參數(shù)自適應能力和數(shù)據(jù)挖掘功能的體現(xiàn)。
   在模型結構方面,本文提出了PASOM的雙層網(wǎng)絡結構,它由經(jīng)驗學習模型和底層SOM網(wǎng)絡兩個主要部分構成。經(jīng)驗學習模型為SOM提供參數(shù)學習與預測的能力,是PASOM參數(shù)自適應能力的來源;而底層的SOM則為PASOM提供數(shù)據(jù)挖掘的能力,滿足用戶的數(shù)據(jù)分析需求。
   其次,通過對比傳統(tǒng)的學習問題,論述了參數(shù)學習問題的特點,并針對其特點提出一種

4、基于自組織映射網(wǎng)絡的經(jīng)驗學習模型,它的輸入是一組數(shù)據(jù)特征描述因子,而輸出是底層SOM的參數(shù)方案。經(jīng)驗學習模型利用了映射網(wǎng)絡的拓撲有序性作為索引,快速找到與當前輸入相近的經(jīng)驗實例的集合,根據(jù)其中各實例的經(jīng)驗效果判斷其對當前系統(tǒng)決策的影響作用的大小,從而由這些經(jīng)驗實例共同合作并預測出合理的參數(shù)方案。
   然后,本文設計了豐富的實驗,完成了SOM的穩(wěn)定性、效果評價函數(shù)的合理性以及環(huán)境描述因子有效性等方面的驗證工作;并且還為PASOM

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經(jīng)權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論