基于ART2神經(jīng)網(wǎng)絡(luò)的聚類方法及其應(yīng)用研究.pdf

1、聚類分析是認(rèn)識(shí)事物的基本途徑之一。通過聚類分析，可以更清楚地認(rèn)識(shí)事物的本質(zhì)特征。目前，聚類分析的方法主要有：層次聚類法、劃分聚類法和神經(jīng)網(wǎng)絡(luò)法。神經(jīng)網(wǎng)絡(luò)法是近年研究較多，發(fā)展較快的一種新的聚類方法。自組織映射(SOM，Self-organizationMapping)網(wǎng)絡(luò)和自適應(yīng)共振理論(ART，AdaptiveResonanceTheory)網(wǎng)絡(luò)等一些神經(jīng)網(wǎng)絡(luò)都可以用作聚類分析。本文選取ART2網(wǎng)絡(luò)作為研究對(duì)象。ART2網(wǎng)絡(luò)與其他一些

2、神經(jīng)網(wǎng)絡(luò)相比的一個(gè)突出優(yōu)點(diǎn)就是在學(xué)習(xí)新的模式時(shí)不會(huì)破壞已存儲(chǔ)的模式，對(duì)己學(xué)習(xí)過的對(duì)象具有穩(wěn)定的快速識(shí)別能力，同時(shí)又能迅速適應(yīng)未學(xué)習(xí)過的新對(duì)象。同時(shí)它還可以通過調(diào)整警戒參數(shù)協(xié)調(diào)網(wǎng)絡(luò)的穩(wěn)定性和可塑性。
　　雖然ART2網(wǎng)絡(luò)適合用于聚類分析，但是傳統(tǒng)的ART2網(wǎng)絡(luò)由于根據(jù)當(dāng)前樣本修改權(quán)值，可能產(chǎn)生較大的模式漂移現(xiàn)象，因而聚類性能不太理想；而且傳統(tǒng)的ART2網(wǎng)絡(luò)中的歸一化環(huán)節(jié)使輸入模式的幅度信息丟失，所以對(duì)幅度信息起重要作用的模式向量的聚

3、類可能產(chǎn)生嚴(yán)重的錯(cuò)誤。這些問題限制了ART2在聚類分析中的應(yīng)用與發(fā)展。
　　針對(duì)傳統(tǒng)ART2神經(jīng)網(wǎng)絡(luò)的模式漂移和幅度信息丟失的問題，本文分別針對(duì)這兩種缺陷給出了改進(jìn)的算法，給出了改進(jìn)的ART2網(wǎng)絡(luò)結(jié)構(gòu)；為了進(jìn)一步恢復(fù)幅度信息的作用并且能夠大幅降低模式漂移對(duì)聚類的影響，本文給出了一種采用歐式距離作為判據(jù)的再聚類方法；最后，使用本文的ART2聚類方法對(duì)軸承故障數(shù)據(jù)進(jìn)行聚類分析實(shí)驗(yàn)，討論了ART2網(wǎng)絡(luò)中一些重要參數(shù)的選取原則，對(duì)比了本文