1、在最近的二十年里，電子格式存貯的數(shù)據(jù)以驚人的速度激增，形成了海量的數(shù)據(jù)和信息。數(shù)據(jù)挖掘是從大型數(shù)據(jù)庫或數(shù)據(jù)倉庫中發(fā)現(xiàn)并提取隱藏在其中的信息的一種新技術，包括統(tǒng)計學習和人工神經網(wǎng)絡等方法。 自組織映射網(wǎng)絡是一種無監(jiān)督學習的神經網(wǎng)絡，在拓撲保持的同時，可以將高維的輸入數(shù)據(jù)以低維的形式表達出來，故SOM可以作為一種可視化的方法，適用于對數(shù)據(jù)進行分析以提取有用的信息，由于SOM的這種特性，在數(shù)據(jù)挖掘中廣為應用。在本文中我們提出了一種用來

2、進行數(shù)據(jù)分析聚類的新型自組織映射網(wǎng)絡——GrowingHierarchicalSelf-OrganizingMap(GHSOM)，它的特點是不需要預先獲知關于數(shù)據(jù)集的任何信息，在聚類的同時也將數(shù)據(jù)集的層次結構呈現(xiàn)出來。 為了檢驗GHSOM對數(shù)據(jù)集類別和層次結構的揭示能力，我們使用GHSOM對高維數(shù)據(jù)——小鼠中樞神經系統(tǒng)數(shù)據(jù)集和酵母細胞周期數(shù)據(jù)集進行聚類和分類處理。最后通過與其他聚類算法的比較，說明了GHSOM本身具有比較理想的數(shù)