原创力文档- 1、本文档共5页，可阅读全部内容。
- 2、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。
- 3、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
第40卷第9期算机仿真2023年9月
文章编号：1006-9348（2023)09-0497-05
非显著特征数据挖掘中SOM聚类算法的优化
许丽娟，叶仕通
数据科学学院，广东广州511300）
（广州华商学院
摘要：对于稀疏、非规则，或者噪声严重的数据处理场景，为了增强大数据的挖掘性能，改善非显著特征数据的利用效能，提
出了基于SOM聚类的非显著特征数据挖掘算法。首先根据特征传函，分析得到非显著特征的频域方程，同时对特征采取宽
平稳过滤，并通过时频变换完成特征的识别与融合。然后引人学习网络对特征数据进行训练，在训练过程中，基于相似k距
离设计了新的离群因子计算方式。最后结合SOM的无监督特性，设计了改进SOM训练网络。为避免output层出现过多无
效节点，引入影响因子与调节因子，并采用加权调节修正因子对链接加权进行修正更新。此外，修正目标中的正则处理，能
够有效防止数据过拟合。仿真先对改进SOM算法的聚类效果采取验证，证明上述算法在不同数据集上表现出良好的适应
性和内聚性；而后通过与其它方法的性能比较，证明所提算法在非显著特征数据挖掘时表现出良好的准确性，同时可以保持
较低的执行耗时。
关键词：非显著特征；离群因子；链接加权；数据挖掘
中图分类号：TP391文献标识码：B
OptimizationofSOMNeuralNetworkClusteringalgorithm
InNonSignificantFeaturesDataMining
XULi-juan,YEShi-tong
(SchoolofDataScience,GuangzhouHuashangCollege,GuangZhou,511300,China)
ABSTRACT:InordertoenhancetheminingperformanceofBigdataandimprovetheutilizationefficiencyofnonsa-
lientfeaturedata,aclusteringbasednonsalientfeaturedataminingalgorithmisproposedforsparse,irregularornoisy
dataprocessingscenarios.Firstly,accordingtothefeaturetransferfunction,thefrequencydomainequationofnonsig-
nificantfeatureswasanalyzedandobtained.Atthesametime,thefeatureswerefilteredbywidestationaryfiltering,
andthefeaturerecognitionandfusionwerecompletedbytime-frequencytransformation.Thenthelearningnetwork
wasintroducedtotrainthefeaturedata.Inthetrainingprocess,anewcalculationmethodofoutlierfactorwasde-
signedbasedonsimilarkdistance.Finally,combinedwiththeunsuper
文档评论（0）