(3.238.186.43) 您好!臺灣時間:2021/02/28 14:42
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果

詳目顯示:::

我願授權國圖
: 
twitterline
研究生:林文得
研究生(外文):Wen-Der Lin
論文名稱:自組織映射圖網路於非監督式網路集群績效問題之研究
論文名稱(外文):Using Self-Organization Map (SOM) in unsupervised cluster network performance problems study
指導教授:黃建裕黃建裕引用關係
指導教授(外文):Chien-Yu Huang
學位類別:碩士
校院名稱:樹德科技大學
系所名稱:資訊管理研究所
學門:電算機學門
學類:電算機一般學類
論文種類:學術論文
論文出版年:2008
畢業學年度:96
語文別:中文
論文頁數:57
中文關鍵詞:集群分析資料探勘類神經網路自組織映射圖網路田口方法
外文關鍵詞:cluster analysisdata miningartificial neural networkself-organization map networkTaguchi’s method
相關次數:
  • 被引用被引用:1
  • 點閱點閱:530
  • 評分評分:系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔
  • 下載下載:0
  • 收藏至我的研究室書目清單書目收藏:0
自組織映射圖網路(Self-Organization Map network, SOM)是一個優質的資料探勘工具,可以將高維度的輸入資料圖樣映射到低維度的輸出拓樸上面,而且能提供給使用者目視或是查詢資料的集群性質,在資料不斷的更新過程中,研究者可以透過學習過程的步驟,來更新輸入與輸出連結權重值,因應日後資料更新動作。本研究中,所針對的資料屬性,具有多元屬性的結構,而其他大多數資料探勘只侷限探討單一屬性的資料欄位數值型態,在使用非監督分群方式作資料上的集群分析時,在集群過程中某些參數的差異顯然會影響其收斂績效。因此本研究目的,主要在探討自組織映射圖網路中它所使用的參數設計對於這些資料欄位內的不同數值型態,是否影響集群效果的品質及效率,本研究利用田口方法探討出參數組合的最佳化設計,該參數組合可在不同的資料型態之集群分析過程中能獲取最佳的品質及效率,並與傳統統計學K-Means法的集群分析作集群績效的比較,進而衍生出一組對於集群績效優於傳統集群方式的參數值。實驗結果可以看出自組織映射圖網路結合實驗設計的應用在非監督式分類問題的集群績效更勝過於統計學上的K-Means法所提出的集群效果。本研究的實驗參數於所選取之各個不同類型實驗資料庫的設計程序,可作為日後相關實驗過程的構思及參數設定的參考。
Self-Organization Maps (SOM) is an excellent data mining tools, not only used to interpret the high-dimensional mapping data in order to design the output of low-dimension topology but also provides users with visual data on the nature of the cluster. Researchers can study through the learning process by updating the input and output value of link weight as well as the data in future action. There are no uniform standard numerical patterns in the database field; moreover, most of data mining is applicable to single database field numerical patterns. Nowadays, scholars often use the advanced computer technology to approach cluster analysis for data without official supervision, yet the design parameters in the course of these clusters will obviously affect the convergence process. The purpose of this study is to investigate the Self-Organizing Maps network that needs the parameters of the database field; numerical patterns of different clusters affect the quality and efficiency effects. Furthermore, this study adds Taguchi’s quality design to explore the way a group of numerical data in different types of cluster analysis preceded to obtaining better quality and efficiency. The traditional K-Means statistical method in terms of cluster analysis as a cluster of relative error rate successively led to a group of the cluster performance superior to the traditional parameters of the cluster approach. From the experimental results, Self-Organizing Maps networks applied for the problem of better clusters performance successfully replace the K-Means statistical method for the cluster effect. The study of the experimental parameters setting selected by the application of the database can be used in future experiments in terms of the ideas and parameters set.
中文摘要 i
英文摘要 ii
誌謝 iii
目錄 iv
表目錄 v
圖目錄 vi
第一章 緒論 1
第一節 研究背景 1
第二節 研究動機與目的 1
第三節 研究方法與架構 3
第四節 論文架構 4
第二章 文獻探討 5
第一節 資料分析 5
第二節 類神經網路 10
第三節 自組織映射圖網路 14
第四節 K-Means集群分析 24
第五節 田口方法 25
第三章 研究架構 28
第一節 類神經網路之自組織映射圖網路簡介 28
第二節 自組織映射圖網路流程圖 30
第三節 自組織映射圖參數設計之文獻彙整 31
第四章 實驗分析 36
第一節 資料收集與前置作業 36
第二節 自組織映射圖網路分析加入實驗設計 40
第三節 不同資料型態在K-Means集群方法分析過程 48
第四節 SOM+TM與K-Means之錯誤率比較 51
第五章 結論與建議 52
第一節 結論 52
第二節 建議 53
參考文獻 54
中文部分
[1]尹雄銳、張翔、夏軍,2007,”基於聚類分析的人工神經網路洪水域抱模型研究”,四川大學學報(工程科學版),第39卷,第3期,pp.34-39,中國大陸(四川省)。
[2]王強、伍世代,2007,”基於SOM神經網路的城市圈內部差異性探究”,福建師範大學學報(哲學社會科學版),第3期,pp.17-22,中國大陸(福建省)。
[3]王智玲,2006,”延伸自組織映射圖分群集合式類別型資料”,雲林科技大學資訊管理研究所,碩士論文,雲林。
[4]李適宇、厲紅梅,2007,”廣東省區域發展空間差暨SOM網路判定”,科技通報,第23卷,第4期,pp.609-616,中國大陸。
[5]林長復,2006,”自組織映射圖網路於碎形影像之研究”,私立義守大學資訊工程研究所,碩士論文,高雄。
[6]林震岩,2006,”多變量分析:SPSS的操作與應用Multivariate Analysis: SPSS Operation and Application”,智勝文化,台北。
[7]紀勝財、尤明偉、饒瑞倫,2004,”應用類神經網路於股票技術指標聚類與預測分析之研究”科技管理學刊,第9卷,第2期,pp.53-81。
[8]馬麗菁、施毓珊、林孟儒、葉鳳儀、李宛瑜、曾淑樺,2007,”運用自組織映射圖網路和學習向量化技術在顧客分群上的應用-以人壽保險公司潛在顧客為例”,2007第十三屆資訊管理暨實務研討會。
[9]張丁才、陳佳鈴,2005,”應用資料探勘於壽險業之客戶分群研究”,中華管理學報 電子商務專刊,pp.67-74。
[10]曹中丞,2007,”新型泡沫搖搖機研製與性能分係”,明新學報,第33卷,pp.195-201,台灣。
[11]許中川,2004,”改良自組織映射圖處理種類型及混合形資料”,資訊管理學報,第11卷,第2期,pp.61-84.
[12]陳和賢、王志源、黃卓治,2004,”灰色田口方法在食品加工之應用-以飛魚乾燥為例”, 台灣農業化與食品科學,第42卷,第3期,pp.207-214,台灣。
[13]陳思翰、羅淑娟,2006,”以自我組織映射圖網路為基底之兩階層分群方法分析RFM變數”,電子商務研究,第4卷,第3期,pp.265-284。
[14]陳振雄、謝政勳,2005,”雷達電坡訊號來向角之定位 K-mean集群發和輪廓線”,建國科大學報:工程類,第25卷,第1期,pp.113-124。
[15]陳麗君,2003,”應用資料探勘技術於信用卡客戶之顧客關係管理”,元智大學 工業工程管理研究所,碩士論文。
[16]曾憲雄、蔡秋滿、蘇東興、曾秋蓉、王慶堯,2005,”資料探勘Data Mining”,旗標出版股份有限公司,台北市。
[17]程大器,2001,”統計學理論與應用上”,智勝文化,台北。
[18]楊占華、楊燕,2006,”一種基於SOM和K-Means的文檔聚類算法”,計算機應用研究期刊,第23卷,第5期,pp.73-75,中國大陸(四川省)。
[19]楊錦洲、陳百盛,2005,”應用類神經網路於顧客群之分類分析”,管理與系統學報第12卷,第3期,pp.43-65。
[20]葉怡成,2001,”類神經網路模式應用與實作”,儒林圖書有限公司,民國90年七版,台北市。
[21]葉嘉芬、鄭煥勳、蘇振隆,2004,”利用三維型態分析方法診斷肺臟腫瘤”,中元學報,第32卷,第3期,pp.363-372。
[22]潘瑩、梁京章、黎慧娟,2007,”基於K-means算法的校園網用戶行為聚類分析”,計算技術與自動化,第26卷,第1期,pp66-69,中國大陸。
[23]蔡碧仁、洪榮賢、林子青、陳怡筱、陳和賢和王志源,2004,”乾式桑椹蜜餞之製造與貯藏”,台灣農業化與食品科學,第42卷,第2期,pp.140-146,台灣。
[24]賴獻堂、韓揆、張鳳智,1996,”DRGs償付制度與醫院疾病編碼取巧行為之可能性”,醫院,第29卷第3期,pp.31-46。
[25]蘇建元,2004,”模糊理論與資料探勘技術為基礎在顧客管理上之研究與應用”,南華大學資訊管理研究所碩士論文。

英文部分
[26]Agrawal R., and Srikant R., 1994, “Fist algorithms for mining association rules,” Proc. of the 20th Conf. on Very Large Database, pp.487-499.
[27]Agrawal R., and Srikant R., 1995, “Mining sequential Pattens,” Proc. of the 11th Conf. no Data Engineering, pp.3-14.
[28]Bendell A., Disney J., and W. Pridmore A., 1989, “Taguchi Methods – Application in Word Application: Industries, Productivity, Improvement and Case Study,” IFS Publication.
[29]Berry M., and Linoff G., 1997, “Data Mining Techniques for marketing, sales, and Customer Support,” New York. Wiley Computer Publishing.
[30]Chen D. R., Chang R. F., and Huang Y. L., 2000, “Breast cancer diagnosis using self-organizing map for sonography,” Ultrasound in Medicine and Biology, Vol.1, No.26, pp.405-411.
[31]Chen M. S., Han J., and Yu P. S., 1998, “Efficient data mining for path traversal patterns,” IEEE Transactions on Knowledge and Data Engineering, Vol.10, No.2, pp.209-221, 1998.
[32]Fayyad U. M., 1998, “Data mining and knowledge discovery: making sense out of data,” IEEE Expert, Vol.11, No.5, pp.22-25.
[33]Fayyad U., and Uthurusammy R., 1996, “Data mining and knowledge discovery in database,” Communication of the ACM, Vol.9, pp.24-26.
[34]Hu W., Xie D., and Tan T., 2004, “A hierarchical self-organizing approach for learning the patterns of motion trajectories,” IEEE Transactions on Neural Network, Vol.15, No.1, pp.135-144.
[35]Johnson R. A., and Wochenn D. W., 1992, ”Applied Multivariate statistical Analysis,” 3nd edition, Prentice-Hall Inc.
[36]Kasabov N., Deng D., Erzegovezi L., Fedrizzi M., and Beber A., 2000, “On-line Decision Marking and Prediction of Financial and Macroeconomic Parameters on the Case Study of the European Monetary Union,” Proceeding of the ICSC Symposia on Neural Computation, 2000.
[37]Kasslin M., Kangas J., and Simula O., 1992, ”Process state monitoring using self-organizing maps,” in Artificial Neural Network(2), I. Aleksander and J. Taylor, Eds. Amsterdam: North-Holland, pp.1532-1534.
[38]Kleissner C., 1998, “Data mining for the enterprise,” Proc. of the Thirty-first Hawaii International Conference, Vol.7, pp. 295-203.
[39]Kohonen T., 1982, “self-organized formation of topologically correct feature maps”, biological Cybernetics. Vol.43, pp.59-69.
[40]Kohonen T., 1984, “self-organization and associate memory?” Springer-Verlag London.
[41]Kohonen T., 1989, “Self-Organization and Associative Memory”, Springer Berlin, third edition.
[42]Kohonen T., 1990, “The self-organizing map,” Proc. IEEE, Vol.78, No.9, pp.1481-1480.
[43]Kohonen T., 1995, “Self-organization maps”, springer-verlag, Berlin.
[44]Kohonen T., Kaski S., Lagus K., Salojarvi J., Honkela J., Paatero V., and Saarela A., 2000, “Self-organization of a massive document collection,” IEEE Transactions on Neural Networks, Vol.11, No.3, pp.574-585.
[45]Lagus K., Honkela T., Kaski S., and Kohonen T., 1996, “Self-organizing maps of document collections: a new approach to interactive exploration,” Proceedings of the second international Conference on Knowledge Discovery and Data Mining, pp.238-243.
[46]Lee J. P., Ji P. S., Lim J. Y., Kim S. S., Ozdemir A., and Singh C., 2005, “Diagnosis of Power Transformers Using Modified Self Organizing Map”, IEEE Power Engineering Society General Meeting, Vol.2 pp.1869-1874.
[47]Luo X., Singh C., and Petton A. D., 2000, “Power System Reliability Evaluation Using Self Organizing Map” IEEE Conference Proceeding Volume2 23-27 pp.1103-1108, USA.
[48]Mangiameli P., Chen S. K., and West D., 1996, “Comparison of SOM Neural Network and Hierarchical clustering Methods,” European Journal of Operation research, Vol.93, No.2.
[49]Mantysalo J., Torkkola K., and Kohonen T., 1994, “Mapping context dependent acoustic information into context independent from by LVQ,” Speech Communication, Vol.14, No.2, pp.119-130.
[50]Peace G. S., 1993, ”Taguchi Methods: A Hand-on approach, Addison-Wesley,” Plublishing Company, New York, USA.
[51]Punj G., and Stewart D. W., 1983, “Cluster Analysis in Marketing Research: Review and Suggestions for Application,” Journal of Marketing Research, Vol.20, pp.134-148, 1983.
[52]Rasika Amarasiri, Damminda alahakoon, and Malin Premarathne, 2006, “The Effect of Random Weight Updaton in Dyanmic Self Organizing Maps”, IEEE Conference Proceeding, pp.183-188.
[53]Rauber A., Merkl D., and Dittenbach M., 2002, “The growing hierarchical self-organizing map: exploratory analysis of high-dimensional data,” IEEE Transactions on Neural Networks, Vol.13, No.6, pp.1231-1239.
[54]Taguchi G., 1978, “Off-line and On-line Quality Control System”, International Conference on Quality Control.
[55]Taguchi G., Elsayed E. A., and Hsaing T., “Quality Engineering in Production Systems,” McGraw-Hill.
[56]Toivonen H., 1996, “Sampling large database for association rules,” Proc. of the 22nd Conf. on VLDB, pp.134-145, 1996
[57]Vapola M., Simula O., Kohonen T., and Merilainen P., 1994, “Representation and identification of fault conditions of an aesthesia system by means of the self-organizing map,” in Proceedings ICANN’94 International Conference on Artificial Neural Network(1), M. Marinaro and P. G. Morasso, Eds. Berlin: Springer-Verlag, pp.246-249.
[58]Vesant J., and Alhoniemi E., 2000, “lustering of the Self-Organizing Map?” IEEE Transactions on Neural Networks, Vol.11, No.3.
[59]Visa A., 1990, ”A texture classifier based on neural network principles,” in Proceedings International Joint Conference no Neural Network Vol.1, No.1, pp.491-496, San Diego, CA.
[60]West D., and West V., 2000, ”Improving diagnostic accuracy using a hierarchical neural network to model decision subtasks” ELSEVIER International Journal of Medical Informatics 57 pp.41-55, USA.
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top
系統版面圖檔 系統版面圖檔