在信息時代里,人類需要在非常大量的信息中挖掘潛在信息,其中聚類分析是重要的手段之一。在數(shù)據(jù)挖掘領域中,聚類分析是很重要的一塊內(nèi)容。由于技術的發(fā)展,需要處理的數(shù)據(jù)的數(shù)量增長快速,維度相比從前也增加很多,數(shù)據(jù)的結構類型變得更加復雜多樣,因此聚類分析技術的發(fā)展面臨著嚴峻的考驗。傳統(tǒng)的聚類分析技術可以分為基于層次的、基于劃分的、基于網(wǎng)格的、基于密度的、基于模型的等五種類型,經(jīng)過長時間的發(fā)展,學者們又提出了基于熵的聚類、譜聚類、不確定聚類等技術。但大多聚類分析算法缺乏普適性,在處理具有復雜多樣的數(shù)據(jù)結構的數(shù)據(jù)集時常出現(xiàn)陷入局部極小的問題。近年來,隨著對神經(jīng)網(wǎng)絡技術研究的復興,學者發(fā)現(xiàn)該技術對不確定性信息的處理能力強,具有非常強的魯棒性,其中屬于無監(jiān)督學習的彈性網(wǎng)絡算法具有良好的幾何性質(zhì),可以針對一個具體的目標函數(shù)進行求解,與聚類問題的定義非常契合,因此本文在彈性網(wǎng)絡算法的基礎上進行了研究,將該網(wǎng)絡應用在聚類分析領域中。本文的主要工作內(nèi)容和成果如下:1、由于原始彈性網(wǎng)絡算法僅用于求解TSP問題,因此首先提出基于極大熵的彈性網(wǎng)絡聚類算法(Elastic Net of Clustering based...

【文章頁數(shù)】：66 頁

【學位級別】：碩士

本文編號：3882171