復雜網(wǎng)絡聚類及其在神經(jīng)網(wǎng)絡中的應用研究.pdf

1、當今，隨著信息技術的高速發(fā)展，數(shù)據(jù)量正在呈指數(shù)增長，如何快速、準確地從大規(guī)模、雜亂無章的數(shù)據(jù)中找到所需信息就成了一項十分有意義的課題。聚類分析方法作為數(shù)據(jù)挖掘技術中的重要方法之一，它恰好為海量數(shù)據(jù)的研究分析提供了一種方法，并被廣泛應用到現(xiàn)實社會的各個領域。但是聚類分析方法中的很多聚類算法要求事先確定聚類數(shù)目，如何確定聚類數(shù)目是一個復雜而艱巨的問題。
　　近年來，人工神經(jīng)網(wǎng)絡因具有較高的非線性、并行性、良好的容錯性及較強的魯棒性等優(yōu)

2、點，在許多領域中得到了廣泛的應用。尤其是RBF神經(jīng)網(wǎng)絡有很強的非線性擬合能力，可映射任意復雜的非線性關系，但是RBF神經(jīng)網(wǎng)絡的非線性映射能力體現(xiàn)在隱含層基函數(shù)上，基函數(shù)的特性主要由基函數(shù)的中心確定，而在實際應用中基函數(shù)中心的確定是一個困難的問題。
　　基于上面的問題，本文研究將復雜網(wǎng)絡的社團劃分技術與相似度量相結合的聚類算法，解決事先確定聚類數(shù)目的問題，并把該算法引入神經(jīng)網(wǎng)絡對RBF神經(jīng)網(wǎng)絡的中心進行優(yōu)化，最后試驗驗證。
　

3、　本文首先闡述了當前常用的社團發(fā)現(xiàn)算法，分析了各種算法優(yōu)缺點。然后通過對k-均值聚類算法的研究分析，提出了一種基于復雜網(wǎng)絡社團發(fā)現(xiàn)的CNM算法與相似度量相結合的聚類算法，該算法克服了k-均值算法需根據(jù)先驗知識確定聚類個數(shù)的缺陷，通過二個聚類分析實驗表明該算法提高了聚類的質量。最后基于復雜網(wǎng)絡社團發(fā)現(xiàn)算法與相似度量相結合的聚類算法，提出了用該算法對RBF神經(jīng)網(wǎng)絡的中心值進行優(yōu)化，經(jīng)二個實驗驗證，該算法有效的克服了RBF神經(jīng)網(wǎng)絡算法的缺點，