一种新的进化树型自组织神经网络的研究与应用
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-6页 |
| 目录 | 第6-8页 |
| 第一章 绪论 | 第8-17页 |
| ·论文工作的目的和意义 | 第8页 |
| ·SOM 神经网络的发展和现状 | 第8-15页 |
| ·Growing SOFM | 第9-10页 |
| ·G-SOFM | 第10-11页 |
| ·结构自适应自组织神经网络 (SASONN) | 第11页 |
| ·自组织过程神经网络 (SOPNN) | 第11-12页 |
| ·TS-SOM | 第12-13页 |
| ·树型动态自组织特征映射 (TGSOM) | 第13-14页 |
| ·GSOM | 第14-15页 |
| ·论文的主要研究内容和结构安排 | 第15-17页 |
| 第二章 自组织映射神经网络 (SOM) | 第17-31页 |
| ·引言 | 第17页 |
| ·自组织学习竞争神经网络 | 第17-21页 |
| ·网络结构 | 第17-20页 |
| ·竞争学习规则 | 第20页 |
| ·竞争网络的训练过程 | 第20-21页 |
| ·自组织映射神经网络 | 第21-31页 |
| ·SOM 神经网络拓扑结构 | 第22-24页 |
| ·SOM 神经网络的训练过程 | 第24-26页 |
| ·SOM 神经网络的传统学习算法 | 第26-28页 |
| ·SOM 神经网络的网络特性 | 第28-29页 |
| ·SOM 存在问题以及改进学习算法 | 第29-31页 |
| 第三章 数据挖掘中的聚类分析研究 | 第31-36页 |
| ·聚类分析定义 | 第31页 |
| ·现有聚类算法研究 | 第31-33页 |
| ·基于划分的聚类方法 | 第31-32页 |
| ·基于层次的聚类方法 | 第32页 |
| ·基于密度的聚类方法 | 第32-33页 |
| ·基于网格的聚类方法 | 第33页 |
| ·基于模型的聚类方法 | 第33页 |
| ·聚类结果的评估研究及各种聚类算法的比较 | 第33-36页 |
| 第四章 一种新的进化树型自组织映射神经网络 | 第36-57页 |
| ·引言 | 第36页 |
| ·进化树型自组织映射神经网络 | 第36-52页 |
| ·ET-SOM 神经网络的拓扑结构 | 第36-37页 |
| ·ET-SOM 神经网络的训练过程 | 第37-39页 |
| ·ET-SOM 神经网络的具体算法 | 第39-40页 |
| ·ET-SOM 算法补充说明 | 第40-41页 |
| ·定义聚类来评估 ET-SOM | 第41-42页 |
| ·ET-SOM 算法主要实现模块 | 第42-51页 |
| ·ET-SOM 神经网络的网络特性 | 第51-52页 |
| ·应用与仿真 | 第52-57页 |
| 第五章 ET-SOM 在数据挖掘中的应用研究 | 第57-65页 |
| ·引言 | 第57页 |
| ·使用 ET-SOM 进行数据挖掘的实例分析 | 第57-65页 |
| 第六章 总结与展望 | 第65-68页 |
| ·总结 | 第65-66页 |
| ·本文独创及新颖之处 | 第66页 |
| ·下一步的工作 | 第66-68页 |
| 参考文献 | 第68-71页 |
| 附录 攻读学位期间发表论文情况 | 第71-72页 |
| 致谢 | 第72页 |
