1.一种基于SOM-M的业扩项目聚类方法，其特征在于，该方法包括以下步骤：获取原始业扩项目数据，所述原始业扩项目数据包括：项目节点、节点计划用时、节点预算费用；对所述原始业扩项目数据预处理，剔除异常数据；将所述预处理后的原始业扩项目数据输入至SOM-M模型中，并初始化所述竞争层的神经元参数，其中，SOM-M模型包括输入层和竞争层；计算所述输入层的神经元与所述竞争层的神经元间的相似性和一阶动量，更新所述竞争层的神经元参数；根据更新后的所述竞争层的神经元参数，得到业扩项目的节点类别；其中，计算所述输入层的神经元与所述竞争层的神经元间的相似性和一阶动量，更新所述竞争层的神经元参数，包括：选择一个输入层的神经元，计算每个所述竞争层的神经元与其之间的相似性，相似性的欧氏距离计算公式如下：其中，X为输入层的神经元参数向量，X i 为第i个竞争层的神经元参数向量，Τ为向量转置运算符；比较所述竞争层的神经元的相似性计算结果，选择欧氏距离最小的神经元作为优胜神经元；计算带一阶动量的优胜神经元参数更新调整值m，一阶动量公式如下：m v (c)＝β·m v (c-1)+(1-β)·(D(t)-W v (e))其中，W v 为所述优胜神经元v的参数向量，D为获胜神经元的参数向量，m v (c)为所述优胜神经元本次的带一阶动量的参数更新调整值，m v (c-1)为所述优胜神经元上一次的带一阶动量的参数更新调整值，v代表优胜神经元，β为一阶动量超参数；更新所述优胜神经元及其邻域神经元的参数，更新参数公式如下：W v (e+1)＝W v (e)+θ(u,v,σ)×α(e)×m其中，W v 为神经元v的参数向量，e为当前迭代代数，θ(u,v,σ)为近邻函数，可选择bubble函数，gaussian函数，u为优胜神经元在竞争平面上的x轴坐标，v为优胜神经元在竞争平面上的y轴坐标，E为总迭代次数/2，α为学习率，D为获胜神经元的参数向量；重复更新所述竞争层的神经元参数，直至达到设定的迭代次数最大值。
2.根据权利要求1所述的一种基于SOM-M的业扩项目聚类方法，其特征在于，将所述预处理后的原始业扩项目数据输入至SOM-M模型中，初始化竞争层神经元参数，包括：将每个所述项目节点的节点计划用时与节点预算费用作为所述输入层的神经元参数；确定所述竞争层的神经元的数量和所述竞争层的尺寸大小；随机初始化所述竞争层的神经元参数。
3.根据权利要求1所述的一种基于SOM-M的业扩项目聚类方法，其特征在于，根据更新后的所述竞争层的神经元参数，得到业扩项目的节点类别，包括：分别计算所述输入层发热神经元参数向量与所述竞争层神经元参数向量的欧式距离，将每个输入层神经元归类于欧式距离式最小的竞争层神经元，得到业扩项目的节点类别。
4.一种基于SOM-M的业扩项目聚类的装置，其特征在于，包括：原始业扩项目数据获取模块，用于获取原始业扩项目数据，所述原始业扩项目数据包括：项目节点、节点计划用时、节点预算费用；数据预处理模块，用于对所述原始业扩项目数据预处理，剔除异常数据；参数初始化模块，用于将所述预处理后的原始业扩项目数据输入至SOM-M模型中，并初始化所述竞争层的神经元参数，其中，SOM-M模型包括输入层和竞争层；参数更新模块，用于计算所述输入层的神经元与所述竞争层的神经元间的相似性和一阶动量，更新所述竞争层的神经元参数；节点类别确定模块，用于根据更新后的所述竞争层的神经元参数，得到业扩项目的节点类别；其中，参数更新模块，包括：相似性计算单元，用于选择一个输入层的神经元，计算每个所述竞争层的神经元与其之间的相似性，相似性的欧氏距离计算公式如下：其中，X为输入层的神经元参数向量，X i 为第i个竞争层的神经元参数向量，Τ为向量转置运算符；优胜神经元确定单元，用于比较所述竞争层的神经元的相似性计算结果，选择欧氏距离最小的神经元作为优胜神经元；一阶动量参数确定单元，用于计算带一阶动量的优胜神经元参数更新调整值m，一阶动量公式如下：m v (c)＝β·m v (c-1)+(1-β)·(D(t)-W v (e))其中，W v 为所述优胜神经元v的参数向量，D为获胜神经元的参数向量，m v (c)为所述优胜神经元本次的带一阶动量的参数更新调整值，m v (c-1)为所述优胜神经元上一次的带一阶动量的参数更新调整值，v代表优胜神经元，β为一阶动量超参数；参数更新单元，用于更新所述优胜神经元及其邻域神经元的参数，更新参数公式如下：W v (e+1)＝W v (e)+θ(u,v,σ)×α(e)×m其中，W v 为神经元v的参数向量，e为当前迭代代数，θ(u,v,σ)为近邻函数，可选择bubble函数，gaussian函数，u为优胜神经元在竞争平面上的x轴坐标，v为优胜神经元在竞争平面上的y轴坐标，E为总迭代次数/2，α为学习率，D为获胜神经元的参数向量；迭代单元，用于重复更新所述竞争层的神经元参数，直至达到设定的迭代次数最大值。
5.根据权利要求4所述的一种基于SOM-M的业扩项目聚类的装置，其特征在于，参数初始化模块包括：输入参数确定单元，用于将每个所述项目节点的节点计划用时与节点预算费用作为所述输入层的神经元参数；竞争参数确定单元，用于确定所述竞争层的神经元的数量和所述竞争层的尺寸大小；初始化单元，用于随机初始化所述竞争层的神经元参数。
6.根据权利要求4所述的一种基于SOM-M的业扩项目聚类的装置，其特征在于，节点类别确定模块，包括：节点类别确定单元，用于分别计算所述输入层发热神经元参数向量与所述竞争层神经元参数向量的欧式距离，将每个输入层神经元归类于欧式距离式最小的竞争层神经元，得到业扩项目的节点类别。
7.一种设备，其特征在于，包括：至少一个存储器和至少一个处理器；所述存储器，用于存储一个或多个程序；当所述一个或多个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如权利要求1至3任一项所述的一种基于SOM-M的业扩项目聚类方法的步骤。
8.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如权利要求1至3任一项所述方法的步骤。
