基于SOM算法改進(jìn)K-medoids算法及其研究.pdf

1、科技的飛速發(fā)展，引起信息的急劇膨脹，給計(jì)算機(jī)存儲(chǔ)和行業(yè)數(shù)據(jù)庫(kù)帶來(lái)巨大挑戰(zhàn)。隨著數(shù)據(jù)指數(shù)級(jí)的增大，維度不斷加大，數(shù)據(jù)類型的復(fù)雜度也在不斷提升。對(duì)于這些超高維數(shù)據(jù)，需要通過(guò)數(shù)據(jù)挖掘技術(shù)來(lái)探索隱藏于數(shù)據(jù)內(nèi)的信息并利用獲取的信息輔助我們做出科學(xué)合理的預(yù)測(cè)與決策。常見(jiàn)處理高維數(shù)據(jù)方法有：數(shù)據(jù)降維、聚類分析、回歸分析等。
　　本文介紹了傳統(tǒng)的自組織映射(SOM)神經(jīng)網(wǎng)絡(luò)和K-medoids算法。傳統(tǒng)的SOM算法在使用時(shí)，存在部分樣本點(diǎn)和對(duì)應(yīng)的

2、權(quán)向量之間差距較大，造成聚類的準(zhǔn)確性較低;K-medoids算法在聚類前需要人為確定聚類個(gè)數(shù)和初始中心點(diǎn)，而不同的聚類個(gè)數(shù)和初始中心點(diǎn)的選擇會(huì)造成不同的聚類結(jié)果。為彌補(bǔ)以上兩種方法的不足，本文提出一種自組織映射(SOM)神經(jīng)網(wǎng)絡(luò)與K-medoids算法結(jié)合的算法—改進(jìn)的SOM-K算法。
　　文中，第一章詳細(xì)描述了大數(shù)據(jù)背景下，聚類和降維算法的研究意義；第二章主要講述了基于聚類算法距離的定義；第三章主要闡述傳統(tǒng)的K-medoids算