聚类与神经网络

51 C-均值算法：是动态聚类方法中的一个典型方法。其目的是将一数据集,
按自然密集程度划分成C个聚类，它的准则函数是对所有C个聚类中每个数据到其各自均值的距离平方和的总和为最小。计算距离的最简单形式是欧式距离。但也可使用其它形式的距离。迭代过程是计算这个数据, 从现属聚类转移至其它聚类, 是否能使准则函数值减小为依据，将该数据转移至合适聚类，直至这种数据转移不再发生为止。在数据转移过程中各个聚类的均值也随之改变。

52 ISODATA算法：是另一种典型的动态聚类方法，它与C-均值算法的主要不同点是它包含聚类的分裂与合并过程，从而可以根据需要改变聚类的数目。

53 分级方法：对数据集采用逐级合并的方法进行聚类，在初始时整个数据集的每个数据自成一类，然后按相似度最高的要求进行合并，随着相似度要求逐次降低，小的集群逐级合并，聚类数量逐渐减少。这种方法基于分类学原理，如人与类人猿相近，猫与虎同属猫科,
就是基于这种原理。

54 人工神经元模型：1940年McCulloch与Pitts提出仿造神经元的人工神经元模型。神经元网络的输入端接收多维输入向量（如模式识别中常用的特征向量），输出端只有一个。该模型由两部分功能组成，一部分功能将输入端信号进行线性迭加，另一部分是对该迭加值进行非线性映射及从输出端输出。
McCulloch-Pitts模型中的非线性映射是阈值函数，输入值从负无穷到某个值内输出为0，输入一旦达到该阈值，输出为1。这种0—1输出也可改成-1—+1输出。近来人们根据需要, 在人工神经元模型中也采用其它类型的非线性映射。

55 McCulloch-Pitts模型：就是McCulloch和Pitts俩人在1940提出的人工神经元模型。

56 单层感知器：一个McCulloch-Pitts模型可实现的功能是两类别线性分类器，输入向量的线性求和是判别函数，非线性映射及输出的0、1值表示了分类结果。这种线性分类器的系数若采用感知准则函数方法确定，它就是一个感知器。这种感知器与多层感知器相比，只有一层，因而称为单层感知器。
57 人工神经元网络：将多个人工神经元模型连接成网就是人工神经元网络。常用的人工神经元网络有多层感知器，Hopfield模型等。

58 多层感知器：将多个感知器组成分层结构，由输入结点层向第一层结点传递信息，而较低层结点输出的信息往更高一层传递。这种信息单向传递的层次结构称为多层感知器。多层感知器可以实现复杂的逻辑运算功能，输入与输出之间的非线性映射功能。

59 前馈网络：前馈网络是指像多层感知器这样的信息单向传输的网络。

60 隐层结点：由两层及两层以上结点组成的前馈网络中处于非输出层的结点称为隐层结点，一个只含一个隐含层的前馈网络称为双层前馈网络。含两个隐含层的称三层前馈网络。一般使用至多两个隐含层的网络。

转载自：http://blog.sina.com.cn/s/blog_4640108601000576.html 新浪博客：自由★辉