论文部分内容阅读
随着计算机应用的普及,信息系统产生的数据量日益增大,迫切需要高效的数据挖掘工具,从大量原始数据中寻找有价值的知识模式。聚类分析是数据挖掘的重要工具之一。如何正确处理维度达到数百、数千的数据集合,从高维数据集中寻找潜在的、自然存在的聚类簇,这是当前聚类分析研究的热点。
本文针对聚类分析的热点和难点问题一高维海量聚类展开研究,提出了基于SOM的可视化聚类方法。主要工作有:
(1)对基于非监督学习神经网络的自组织聚类方法进行了深入研究。对其工作原理、聚类特点、评价准则以及存在问题进行了深入探讨。
(2)深入探讨了利用描述相关性的U矩阵的信息,改进聚类性能和可视化特性的可视化聚类方法;通过用经典和标准数据库数据仿真,验证了可视化聚类方法的有效性。并在入侵检测中进行了应用研究。