1、本論文提出了四種基于ART2神經(jīng)網(wǎng)絡(luò)的用于數(shù)據(jù)聚類的改進(jìn)算法，克服了經(jīng)典ART2神經(jīng)網(wǎng)絡(luò)輸出無(wú)層次結(jié)構(gòu)的缺點(diǎn)，均可形成動(dòng)態(tài)的層次聚類結(jié)果，同時(shí)降低了警戒參數(shù)主觀設(shè)置的要求。 基于模、相位、空間密度的改進(jìn)ART2算法1還克服了經(jīng)典ART2算法警戒參數(shù)全局化、聚類與模無(wú)關(guān)的缺點(diǎn)，其通過(guò)按模和相位的綜合評(píng)價(jià)，依據(jù)先前循環(huán)形成類別中的輸入向量個(gè)數(shù)分類別修正警戒參數(shù)以實(shí)現(xiàn)按空間密度局部化警戒參數(shù)，在借鑒以前神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果的基礎(chǔ)上進(jìn)行聚類

2、； 基于凝聚和迭代思想的改進(jìn)ART2算法2通過(guò)迭代在人工交互下達(dá)到合理聚類結(jié)果，并計(jì)算出合理聚類結(jié)果所需的警戒參數(shù)范圍值；迭代以及迭代中神經(jīng)網(wǎng)絡(luò)的輸出都體現(xiàn)出有序的自組織特征，網(wǎng)絡(luò)訓(xùn)練時(shí)間代價(jià)也在迭代中迅速下降； 基于Hebb規(guī)則和泄漏競(jìng)爭(zhēng)的改進(jìn)ART2算法3借鑒了Hebb規(guī)則和泄漏競(jìng)爭(zhēng)的思想，允許多個(gè)神經(jīng)元獲勝并計(jì)算獲勝神經(jīng)元之間的相關(guān)性； 基于Hebb規(guī)則和冗余神經(jīng)元思想的改進(jìn)ART2算法4克服了過(guò)分依賴獲勝

3、神經(jīng)元信息等不足，通過(guò)在競(jìng)爭(zhēng)過(guò)程中同時(shí)考慮獲勝神經(jīng)元和其它神經(jīng)元的信息以及Hebb規(guī)則來(lái)實(shí)現(xiàn)通過(guò)單個(gè)ART神經(jīng)網(wǎng)絡(luò)的層次聚類結(jié)果。 提出了一種基于隨機(jī)映射的文本降維算法，在可控、低代價(jià)地充分逼近原始空間相似度計(jì)算結(jié)果和分類結(jié)果的情況下降低文本向量空間維數(shù)。在此基礎(chǔ)上，提出了一種基于隨機(jī)映射的加速隱含語(yǔ)義索引算法，此加速算法將隨機(jī)映射和隱含語(yǔ)義索引相結(jié)合，既可有效可控地降低空間維數(shù)，又可凸現(xiàn)語(yǔ)義聯(lián)系，使得其用于分類算法在文本高維環(huán)