Resumen

Este trabajo propone un método de clustering ensemble que introduce la estructura en cascada en el mapa autoorganizado (SOM) para resolver el problema del bajo rendimiento de un solo clusterer. El SOM en cascada es una extensión del SOM clásico combinado con la estructura en cascada. El método combina las salidas de múltiples redes SOM en cascada utilizándolas como entrada a otra red SOM. También utiliza la característica de insensibilidad de los datos de alta dimensión a los cambios en los valores de un pequeño número de dimensiones para lograr el efecto de ignorar parte de la salida de error de la red SOM. Dado que los parámetros iniciales de la red SOM y el orden de entrenamiento de las muestras se generan aleatoriamente, el modelo no necesita proporcionar diferentes muestras de entrenamiento para cada red SOM para generar un clusterer SOM diferenciado. Tras probarlo en varios conjuntos de datos clásicos, los resultados experimentales muestran que el modelo puede mejorar eficazmente la precisión del reconocimiento de patrones en un 4%∼10%.

• Materias:Minería de datos Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva Neurofisiología
• Subjects:Data mining Genetic algorithms Brain - pathophysiology Cognitive Neuroscience Neurophysiology
• Palabras claves:red som, salida de error de la red, varios conjuntos de datos clásicos, muestra de entrenamiento diferente, número de dimensiones, insensibilidad de los datos dimensionales, agrupador som diferenciado, error de la red som, orden de entrenamiento de la muestra, precisión del patrón
• Keywords:som network, network error output, several classical datasets, different training sample, number of dimensions, dimensional data insensitivity, differentiated som clusterer, som network error, sample training order, accuracy of pattern