Advisor: Prof. Chin-Shyurng Fahn

TEL: 02-2733-3141 # 7425

Location: RB307-3

Designer: Yu-Ta Lin

使用分散式基因演算法與多重神經鍵網路的模糊聚類方法

 

  本論文的研究主題是模糊聚類分析,其詣旨就是使用模糊理論於資料的分類處理,以呈現資料原本就無法明確分類的本質。本論文共分為三個部分,第一個部分是對模糊聚類分析做概要介紹,第二個部分是針對現有結合演化式計算與模糊聚類分析的做法,提出兩個切割搜尋空間的分散式途徑,減小整體的搜尋空間,以克服因為搜尋空間過於巨大,而不易收斂的缺點,尤其對一些中空形狀的資料分佈特別有用。在第三個部分,我們提出一種稱為多重神經鍵網路的新架構,以解決各種最佳化的問題,傳統的Hopfield網路,只能處理二次方型態的目標方程式,因此應用上受到限制,而多重神經鍵網路則可以處理所有的高維多項式,甚至包含有 logarithmic與sinusoidal 型態的目標方程。應用多重神經鍵網路的新架構,我們建立一個稱為fuzzy bidirectional associative clustering network(FBACN)的網路,來處理模糊聚類分析。這是自從有里程碑指標意義的方法fuzzy c-means被提出之後的一個全新方法。其優點也就是fuzzy c-means所欠缺的分類限制條件處理能力,因為FBACN有繼承自recurrent神經網路不需要analytical solutions的優點。運用FBACN處理分類限制條件的能力,我們再提出命名為part crisp and part fuzzy clustering之新概念。基本上FBACN是由兩層神經網路所組成,第一層可以是Hopfield網路或是多重神經鍵網路,這要視聚類重心有無超過二次方的限制條件而定,但第二層就必須是多重神經鍵網路。在論文的第三個部分,一共有三個例子,前面兩個是有名的butterfly與 Anderson’s Iris data sets,最後一個例子是兩個同心圓,用來驗證FBACN在有限制條件的模糊聚類分析能力。