面向聚类分析的自适应弹性网络算法系统性优化策略研究

Clustering is inherently a highly challenging research problem, and the Elastic Net algorithm has become an important tool to approach such a problem. In recent years more emphasis has been given to the application of the Elastic Net. In the neural networks group, the Elastic Net spontaneously self-organize and do not require explicit tutoring by input-output correlation, and the approach adopted in Elastic Net algorithm is geometric in nature. This makes the Elastic Net a suitable model to solve clustering problems. However, existing Elastic Net algorithms for cluster analysis usually suffered from a variety of inadequacies. Focus upon the key issues which greatly impact performance of the algorithm，this project studies a serious of new methods, principles and techniques, aiming at systematically improving the adaptive Elastic Net algorithm for cluster analysis. Firstly, for the issues of parameter control and parameter sensitivity, the project proposes to study effective parameter setting methods by integrating the deterministic and the adaptive parameter control techniques. Secondly, for the issue of premature convergence, the project proposes the Elastic Net learning method with transient noise strategy to effectively explore the search space of the clustering problems. Thirdly, for the issue of escaping from local minima, we design an adaptive net growth learning method by introducing some new adjustment rules of net structure based on competitive mechanism of neurons and the data distribution. Finally, for the cluster analysis of the large scale and high dimensional data sets, by introducing the new energy function and competitive mechanism, the project proposes the Elastic Net algorithm for data clustering in n-dimensional space, which effectively reduce the computational complexity and improve the performance of clustering of high dimensional data.

聚类分析是一个极具挑战性的研究课题，弹性网络算法已成为研究该课题的重要方法。弹性网络是一种自组织神经网络模型，因其无监督学习、具有几何特性等优势而广受关注。本项目拟从限制弹性网络性能的关键问题出发，研究一系列新的方法、原理和技术，旨在系统性优化面向聚类分析的弹性网络算法。首先，针对参数设置困难和参数敏感性问题，拟结合确定性与自适应参数控制技术，研究有效的参数设置方法；其次，通过引入随机动态和混沌机制，提出带有外部扰动的弹性网络学习方法，实现对问题空间的有效搜索，解决网络局部收敛问题，提高算法整体性能；再次，针对局部极小逃逸问题，设计新的基于神经元竞争机制及数据分布情况的网络结构调整规则，开展自适应网络增支学习法的研究；最后，针对高维、数据量大的空间聚类问题，拟通过调整网络结构、引入新的能量函数表达式，研究弹性网络的空间聚类算法，有效降低算法计算复杂度，提高网络对高维数据的聚类分析能力。

聚类分析是一个非常具有挑战性的研究课题，弹性网络算法已成为研究该课题的重要方法。弹性网络是一种自组织神经网络模型，因其无监督学习、具有几何特性等优势而广受关注。本项目从限制弹性网络性能的关键问题出发，研究一系列新的方法、原理和技术，旨在系统性优化面向聚类分析的弹性网络算法。首先，针对参数设置难和参数敏感性问题，结合确定性与自适应参数控制技术，提出了有效的参数设置方法；其次，通过引入随机动态和混沌机制，提出带有外部扰动的弹性网络学习方法，实现对问题空间的有效搜索，解决网络局部收敛问题，提高算法总体性能；再次，针对局部极小逃逸问题，设计了新的基于神经元竞争机制及数据分布情况的网络结构调整规则，开展了自适应弹性网络学习方法的研究，项目中主要提出了三种有效的学习策略：启发式增支学习策略、非监督分级聚类学习策略、最近邻学习方法；最后，针对高维、数据量大的空间聚类问题，通过调整网络结构、引入新的能量函数表达式，提出了两种有效的弹性网络空间聚类算法：面向聚类分析的自适应弹性网络算法、具有新特性的启发式聚类弹性网络算法，两种算法均有效的降低了计算复杂度，提高了网络对高维数据的聚类分析能力。项目针对随机生成的不同维度和数量的均匀分布及非均匀分布的空间数据集做了大量实验，并对UCI中大量标准数据集进行聚类，将结果与经典的传统聚类算法的聚类结果进行了比较。实验结果显示，相较于传统的聚类算法，所提出的面向聚类分析的自适应弹性网络算法和具有新特性的启发式聚类弹性网络算法可以有效地提高聚类质量。