11、数据处理与聚类算法研究：从图像去噪到文档聚类

数据处理与聚类算法研究：从图像去噪到文档聚类

1. 自组织映射网络（SOM）参数与性能分析

在构建自组织映射网络（SOM）时，为提高性能和准确性，需考虑一些重要参数。使用的参数如下：
- 地图大小（Map size）：200
- 半径（Radius）：5
- 训练长度（Traininglength）：6000
- 采样率（sampling rate）：每秒 1/100
- 邻域函数（Neighbourfunction）：高斯函数

通过神经网络和 R 编程的 popsom 包对 SOM 技术进行分析。在构建 SOM 时，测试了多种距离度量，包括欧几里得距离、曼哈顿距离和切比雪夫距离，并评估了不同距离度量下 SOM 性能的变化。不同网络参数集下这些距离度量所达到的准确率值已绘制成图。

1.1 SOM 预测结果

为识别聚类性能，计算了以下指标：
- 特异性（Specificity）：$Q_{over} = [m / (m + h)]×100$
- 灵敏度指数（Sensitivity Index）：$Q_{under} = [m / (m + g)]×100$
- 总体预测准确率（Overall Prediction accuracy）：$Q_{total} = (m + n) / (m + n + g + h)×100$

其中，m 和 n 分别代表真阳性和真阴性的数量，g 和 h 分别代表假阳性和假阴性的数量。以下是 Ras 家族和蛋白激酶家族的 SOM 预测结果：
| 训练数据 | Ras 家族 | 蛋白激酶家族 |
| — | — | —