非显著特征数据挖掘中SOM聚类算法的优化

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。然后引入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。