典型文献
降噪分层映射算法在多维聚类分析中的优化研究
文献摘要：
为了在多维聚类分析中运用有效的深度特征选择方法排除冗余和无关的特征属性,学习数据元素的非线性关系提取最佳特征,提出一种降噪分层映射算法(DHM).首先,基于降噪自动编码器构建非循环神经网络,容错数据经过隐藏层加权和激活函数的训练获取输入数据的非线性关系得到特征空间,实现特征重构选取最佳特征.其次,特征空间用于调整自组织特征映射神经网,通过计算最小化加权平方欧式距离寻找匹配的获胜神经元.最后,结合特征选择网络和无监督聚类网络为降噪分层映射神经网,通过整体模型迭代训练,使权重参数和偏差向量同时得到优化,实现有效的无监督聚类方案.在真实数据集上的实验结果表明,同AE-SOM,DCSOM和S-SOM算法相比,DHM算法在提高聚类质量及准确性方面有更好的表现.
文献关键词：
特征选择;无监督聚类;降噪自动编码器;自组织特征映射
中图分类号：
作者姓名：
刘云;张轶;郑文凤
作者机构：
昆明理工大学信息工程与自动化学院,昆明650500
文献出处：
引用格式：
[1]刘云;张轶;郑文凤-.降噪分层映射算法在多维聚类分析中的优化研究)[J].四川大学学报（自然科学版）,2022(01):78-86
A类：
DCSOM
B类：
层映射,深度特征,特征选择,选择方法,特征属性,学习数据,数据元素,非线性关系,关系提取,DHM,降噪自动编码器,循环神经网络,容错,层加权,加权和,激活函数,输入数据,特征空间,特征重构,自组织特征映射,欧式距离,获胜,选择网络,无监督聚类,聚类网络,整体模型,模型迭代,迭代训练,真实数据,AE
AB值：
0.347582
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
