用于聚类的增加/删除神经网络
基于竞争学习的神经网络是聚类分析的一种重要方法,该方法用于克服在线聚类时出现的稳定性/可塑性两难问题.为了解决竞争层中存在的主要问题: 竞争层神经元个数固定导致无法适用于事先不知道聚类数目的问题; 数据提交的顺序和学习速度等参数的选择导致聚类中心来回振荡;如果一个神经元的初始权值离输入样本太远以至它从未在竞争中获胜,从而产生毫无用处的死神经元;本文提出了增加/删除的竞争神经网络 ADCNN.它采用改进的 Hebbian 学习算法,并根据相似度确定奖励和惩罚的等级.在学习过程中 ADCNN根据需要增加神经元以形成新的聚类,在学习结束后经过分析删除错误的聚类,从而避免了死神经元问题并使在线聚类更加准确.ADCNN 还可以预测聚类数目并优化初始系数.通过实验测试表明 ADCNN 既可准确地完成聚类工作又可应用于分类问题.
聚类分析 竞争学习 神经网络
田大新 刘衍珩 李宾
吉林大学计算机科学与技术学院, 吉林长春130012 吉林大学数学科学学院, 吉林长春130012
国内会议
武汉
中文
2005-10-13（万方平台首次上网日期，不代表论文的发表时间）