RBF網(wǎng)絡(luò)在數(shù)據(jù)挖掘中的應(yīng)用研究及其算法改進.pdf

1、從大量數(shù)據(jù)中挖掘出有用的信息正成為一個迫切需要解決的問題，正是這種需求推動了數(shù)據(jù)挖掘技術(shù)的發(fā)展。數(shù)據(jù)挖掘經(jīng)常要面對一些有噪聲、雜亂、非線性的數(shù)據(jù)，而神經(jīng)網(wǎng)絡(luò)具有良好的魯棒性、自適應(yīng)性、并行處理、分布存儲和高度容錯性等特點，因此神經(jīng)網(wǎng)絡(luò)非常適合用來解決數(shù)據(jù)挖掘的一些問題。 RBF網(wǎng)絡(luò)是人工神經(jīng)網(wǎng)絡(luò)中最受關(guān)注的模型。RBF神經(jīng)網(wǎng)絡(luò)的基本思想是用徑向基函數(shù)作為隱單元的“基”，構(gòu)成隱含層空間，隱含層對輸入矢量進行變換，將低維的模式輸入數(shù)

2、據(jù)變換到高維空問內(nèi)，使得在低維空間的線性不可分問題在高維空間內(nèi)線性可分。 在RBF網(wǎng)絡(luò)中，隱含層節(jié)點的選擇是一個非常重要的因素，本論文對目前RBF隱含層中心點的選擇問題的幾種通常的解決辦法進行了介紹分析。K-均值算法是中心點選擇算法中最常用的一種算法，本文重點研究該算法在RBF網(wǎng)絡(luò)構(gòu)造中的應(yīng)用，對其進行了改進以使其能適用于高維和分布復(fù)雜的數(shù)據(jù)。研究工作如下： (1)介紹了目前RBF隱含層中心點選擇問題的幾種通常的解決辦法

3、。 (2)分析了用歐氏距離度量時K-均值算法易受噪聲影響的缺點，從而引入了高斯基距離度量，并且關(guān)注初始中心點的選擇，實證分析了基于距離優(yōu)化的K均值RBF中心點選擇法。通過實證分析，驗證了高斯基距離度量比歐氏距離度量能夠改進各種算法的效果，高斯基距離度量是高維復(fù)雜分布的數(shù)據(jù)的理想的距離度量方法。 (3)針對K-均值算法易受初始化中心點影響的問題，本文提出一種改進的算法，即基于分箱的K均值RBF中心點選擇法。本方法將分箱思想