基于ART2神經(jīng)網(wǎng)絡的聚類方法及其應用研究.pdf

1、聚類分析是認識事物的基本途徑之一。通過聚類分析，可以更清楚地認識事物的本質(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)絡法。神經(jīng)網(wǎng)絡法是近年研究較多，發(fā)展較快的一種新的聚類方法。自組織映射(SOM，Self-organizationMapping)網(wǎng)絡和自適應共振理論(ART，AdaptiveResonanceTheory)網(wǎng)絡等一些神經(jīng)網(wǎng)絡都可以用作聚類分析。本文選取ART2網(wǎng)絡作為研究對象。ART2網(wǎng)絡與其他一些

2、神經(jīng)網(wǎng)絡相比的一個突出優(yōu)點就是在學習新的模式時不會破壞已存儲的模式，對己學習過的對象具有穩(wěn)定的快速識別能力，同時又能迅速適應未學習過的新對象。同時它還可以通過調(diào)整警戒參數(shù)協(xié)調(diào)網(wǎng)絡的穩(wěn)定性和可塑性。
　　雖然ART2網(wǎng)絡適合用于聚類分析，但是傳統(tǒng)的ART2網(wǎng)絡由于根據(jù)當前樣本修改權值，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)絡中的歸一化環(huán)節(jié)使輸入模式的幅度信息丟失，所以對幅度信息起重要作用的模式向量的聚

3、類可能產(chǎn)生嚴重的錯誤。這些問題限制了ART2在聚類分析中的應用與發(fā)展。
　　針對傳統(tǒng)ART2神經(jīng)網(wǎng)絡的模式漂移和幅度信息丟失的問題，本文分別針對這兩種缺陷給出了改進的算法，給出了改進的ART2網(wǎng)絡結(jié)構(gòu)；為了進一步恢復幅度信息的作用并且能夠大幅降低模式漂移對聚類的影響，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聚類方法對軸承故障數(shù)據(jù)進行聚類分析實驗，討論了ART2網(wǎng)絡中一些重要參數(shù)的選取原則，對比了本文