帶有緩存的映射性自適應(yīng)反饋算法及應(yīng)用.pdf

1、隨著計(jì)算機(jī)技術(shù)的誕生和信息革命的來(lái)臨，同時(shí)不可避免的產(chǎn)生了大量的數(shù)據(jù).而數(shù)據(jù)挖掘技術(shù)，就是人們面對(duì)大量數(shù)據(jù)而發(fā)展起來(lái)的一項(xiàng)多學(xué)科交叉的技術(shù).數(shù)據(jù)挖掘，或者叫做數(shù)據(jù)庫(kù)知識(shí)發(fā)現(xiàn)，是一種自動(dòng)在大量數(shù)據(jù)中尋找具有某種相同屬性集合的技術(shù).而作為數(shù)據(jù)挖掘中的一個(gè)非常重要的階段，數(shù)據(jù)分簌是一個(gè)自主無(wú)監(jiān)督的分類(lèi)過(guò)程，其將不同的數(shù)據(jù)分類(lèi)到簌中，以達(dá)到發(fā)現(xiàn)隱藏在數(shù)據(jù)之間結(jié)構(gòu)的目的. 但是，傳統(tǒng)的數(shù)據(jù)分簌算法，例如層次分簌算法和分割分簌算法，往往無(wú)法

2、有效處理超大型的數(shù)據(jù)庫(kù).因此，一種改進(jìn)的神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)分簌算法，映射性自適應(yīng)反饋算法，應(yīng)運(yùn)而生.它可以在高維空間進(jìn)行數(shù)據(jù)分簌.然而，映射性自適應(yīng)反饋算法的成功運(yùn)用，必須依靠參數(shù)的精確選擇和輸入數(shù)據(jù)的理想順序.這些缺點(diǎn)嚴(yán)重的阻礙了算法應(yīng)用于實(shí)時(shí)數(shù)據(jù). 在本文中，為了解決PART嚴(yán)重依賴參數(shù)的問(wèn)題，我們提出了一些對(duì)映射性自適應(yīng)反饋算法的改進(jìn)，包括引進(jìn)了“緩存機(jī)制”和“平均相似度”的概念.這些改進(jìn)，能夠在使該算法有效的分簌高相似性噪聲數(shù)

3、據(jù)的同時(shí)，放寬對(duì)參數(shù)精確選擇的要求.其中，緩存管理機(jī)制使得不能被立刻明確判定的輸入數(shù)據(jù)，不必馬上進(jìn)行分簌.同時(shí)，平均相似度可以使得算法不必依靠參數(shù)的精確選擇.換言之，不同的參數(shù)能夠產(chǎn)生相同的分簌結(jié)果，包括簌的全部關(guān)聯(lián)維. 在我們的算法中，主要引進(jìn)了緩存管理機(jī)制.當(dāng)輸入數(shù)據(jù)與分簌競(jìng)爭(zhēng)的贏者之間的相似度大于參數(shù)ρ但是小于平均相似度時(shí)，該輸入數(shù)據(jù)并不會(huì)被立刻分配到分簌競(jìng)爭(zhēng)的贏者結(jié)點(diǎn)中去，而是被暫時(shí)放入緩存中，以便于以后再作判斷.

4、 而另一個(gè)主要改進(jìn)就是“平均相似度”的引進(jìn).平均相似度代表著該結(jié)點(diǎn)當(dāng)前所有分簌數(shù)據(jù)的相關(guān)維的平均數(shù).每當(dāng)有一個(gè)新的輸入數(shù)據(jù)被分配到這個(gè)結(jié)點(diǎn)(即這個(gè)簌)時(shí)，都要重新計(jì)算該結(jié)點(diǎn)的平均相似度.當(dāng)有新的輸入數(shù)據(jù)與目標(biāo)簌之間的相似度小于該目標(biāo)簌的平均相似度時(shí)，該輸入數(shù)據(jù)進(jìn)入緩存.否則如果大于等于平均相似度，則該輸入數(shù)據(jù)被分配至該目標(biāo)簌. 同時(shí)，我們?cè)诒疚闹袑?duì)高維人工數(shù)據(jù)進(jìn)行了模擬分簌，并且對(duì)照不同算法的結(jié)果，進(jìn)行了比較.最后，我們使用映