有監(jiān)督聚類神經(jīng)網(wǎng)絡(luò)的研究.pdf

1、聚類是人工智能領(lǐng)域中一項(xiàng)基礎(chǔ)性技術(shù)。其中傳統(tǒng)的無(wú)監(jiān)督聚類不使用人工添加的標(biāo)記信息直接對(duì)原始數(shù)據(jù)進(jìn)行處理，雖然簡(jiǎn)單，但往往很難取得很好的效果；而監(jiān)督聚類通過(guò)利用標(biāo)記數(shù)據(jù)來(lái)指導(dǎo)聚類過(guò)程，可以得到更好的效果。
　　 徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)(Radial Basis Function neural Network，RBFN)是人工神經(jīng)網(wǎng)絡(luò)的一種，由于具有結(jié)構(gòu)簡(jiǎn)單、泛化能力好、速度快等優(yōu)點(diǎn)，經(jīng)常被用在分類、回歸等問題上。RBFN的訓(xùn)練傳統(tǒng)上采

2、用無(wú)監(jiān)督的聚類，本文則在RBFN中引入監(jiān)督聚類，提出了基于線性回歸模型的監(jiān)督聚類神經(jīng)網(wǎng)絡(luò)。傳統(tǒng)的RBF回歸建模把所有的訓(xùn)練數(shù)據(jù)看做一個(gè)整體，稱作全局建模，對(duì)于目標(biāo)模型的局部特性逼近精度有限。局部建?？朔诉@個(gè)缺陷，但是傳統(tǒng)的局部建模方法速度較慢且存在邊界效應(yīng)，本文則使用監(jiān)督聚類進(jìn)行模糊劃分實(shí)現(xiàn)了一種新的局部建模方法，根據(jù)不同訓(xùn)練子集回歸建模難度的不同分別采用不同的訓(xùn)練算法，消除了邊界效應(yīng)同時(shí)提高了處理速度。
　　 本文首先簡(jiǎn)單介