一种基于GWRN模型的自组织神经网络算法的研究及应用

作     者：杨彦玲 

作者单位：南昌大学 

学位级别：硕士

导师姓名：任燕;段隆振

授予年度：2010年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 08[工学] 081201[工学-计算机系统结构] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：Web使用挖掘 聚类 自组织神经网络 GWRN Hebb学习规则 

摘      要：Web服务器日志记录了用户与服务器之间的交互信息,而用户在网站上的活动则隐含了他们的需求和兴趣。通过对日志数据的分析,有助于我们了解用户兴趣,优化站点的组织结构,改进Web服务器的性能,提高对用户的个性化服务质量等。 自组织特征映射网络SOM通过网络结构的自组织过程自动地对输入的数据模式进行聚类,对数据具有良好的自适应能力和鲁棒性,被广泛应用在数据挖掘领域。然而SOM有其局限性：强制结束,不能保证收敛,学习过程不能优化,输出结果依赖输入数据序列,不同初始条件产生不同的结果。对于一个自组织神经网络来说,生成新节点的能力是一个潜在的有用的工具。一个可以在其网络空间中增加节点的网络,比一般的有着固定结构和节点的网络(如SOM)可以更准确的接近输入空间。 本文基于自组织神经网络在模式聚类中的优点,并将其与在需要时可生长的自组织神经网络(GWRN)算法以及Hebb学习规则结合起来,提出一种新型的具有三层结构的自组织神经网络算法。该算法保持了GWRN算法的良好的自生长、自组织特性,只要网络的当前状态不足以与输入匹配,学习算法就可以增加新节点。当提供了新的输入数据后,网络可以以较快的速度生长,并且一旦网络与输入数据达成匹配网络就停止生长。我们将学习过程划分为竞争阶段和自激励阶段。竞争阶段采用GWRN算法,网络动态增长;自激励阶段采用Hebb学习规则将互相激励的神经元归为一类,提高类内的相似度。 最后再对本文中提出的算法进行仿真测试和实际应用,并与GWRN算法进行比较,以体现出本文所提出的算法的改进。仿真测试阶段主要是验证算法的可行性及有效性,并确定合理的参数选择,然后算法应用到实际的Web日志数据中,通过对用户访问模式的分析,挖掘出用户的多种兴趣和潜在兴趣,为个性化推荐提供依据。