Добавил:
Опубликованный материал нарушает ваши авторские права? Сообщите нам.
Вуз: Предмет: Файл:
Курсовой проект - Интеллектуальный анализ рынка LCD мониторов.doc
Скачиваний:
44
Добавлен:
02.05.2014
Размер:
1.49 Mб
Скачать

2.1.3 Кластерный анализ с помощью Карт Кохонена

Для решения задачи кластеризации использовались самоорганизующиеся карты Кохонена с применением нейросетевого пакета SOMap analyzer1.0.

Self-Organizing Maps(SOM) – это самоорганизующиеся структуры, основанные на нейросети Кохонена, которые представлены в виде двухмерной сетки, в узлах которой находятся нейроны.

Структура сети Кохонена представлена на рисунке 3.1. Сеть имеет 10 входов по количеству признаков, по которым ведется кластеризация, и 1 выход, который выдает номер кластера. Сеть однослойная (слой Кохонена). Каждый нейрон слоя Кохонена с помощью своих весовых коэффициентов запоминает координаты ядра кластера и отвечает за отнесение объектов к этому кластеру. Интерпретатор выбирает максимальное значение среди всех выходов и выдает номер этого выхода, который является номером кластера.

Рисунок 2.6 – Структура сети Кохонена

Выборка, состоящая из LCDмониторов в приложении А. То есть в качестве исходных данных взяты признаки: яркость, контрастность, горизонтальный угол обзора, вертикальный угол обзора (верхний, нижний), время отклика, вес, потребление энергии, цена.

Процесс обучения сети состоит из 5 шагов: выбор источника данных; настройка полей; установка параметров обучения; установка параметров визуализации; обучение (построение) карты.

В качестве источника данных используем созданную обучающую выборку. Параметры обучения, параметры визуализации представлены на рисунке 3.2.

Рисунок 2.7 – Информация о карте

Для построения карт открываем окно с картами по обучающей выборке и выбираем нужные компоненты. Результаты построения представлены на рисунке 2.8 и 2.9.

Рисунок 2.8 – Карты по обучающей выборке

В результате анализа карт было выявлено 3 кластера LCDмониторов:

Таблица 2.5

Характеристика кластеров по признакам

Кластер 1

Кластер 2

Кластер 3

Яркость

средний

малый

малый

Контрастность

малый

средний

средний

Горизонтальный угол обзора

средний

средний

высокий

Вертикальный угол обзора, верхний

средний

средний

средний

Вертикальный угол обзора, нижний

малый

средний

верхний

Время отклика

малый

средний

малый

Вес

малый

средний

средний

Потребление энергии

средний

средний

средний

Цена

средний

средний

малый

В таблице приведены значения признаков наиболее характерных для каждого из кластеров. Жирным шрифтом отмечены признаки определяющие принадлежность LCDмонитора к кластеру.

Статистика по каждому классу в отдельности представлена на следующих рисунках 2.10 – 2.12.

Рисунок 2.10 – Статистика по 1-ому кластеру

Рисунок 2.11 – Статистика по 2-ому кластеру

Рисунок 2.12 – Статистика по 3-ему кластеру

Окно со статистикой показывает следующие статистические показатели:

минимальное значение;

максимальное значение;

среднее значение;

стандартное отклонение (дисперсия);

количество элементов.

На основе проведенного кластерного анализа можно извлечь следующие правила.

1. Если Контрастность = малый И Цена = средний, то Кластер 1.

2. Если Контрастность = средний И Цена = средний, то Кластер 2.

3. Если Контрастность = средний И Цена = малый, то Кластер 3.