一种基于bp神经网络的离散化方法

《一种基于bp神经网络的离散化方法》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、一种基于BP神经网络的离散化方法摘要：随着人工智能和数据挖掘技术的深入发展，大数据逐步进入人们的视野，在大数据的处理过程中，离散化处理是一个必不可少的环节。本文通过在BP神经网络的学习过程中引入动量学习法，进一步完善了BP神经网络在学习方面的局限性，降低了BP神经网络的训练误差，在此基础上提出了一种基于BP神经网络的离散化方法，实现了对连续属性的离散化处理法分析和实验证明，本算法是切实可行的关键词：离散化；BP神经网络；连续属性；动量学习法中图分类号：TP393文献标识码：A文章编号:1009-3044(2015)0

2、9-0195-02Abstract：Withthefurtherdevelopmentofartificialintelligenceanddataminingtechnology，bigdatagraduallyintoview,intheprocesslargedata，discreteprocessingisanessentiallink.Inthispaper，inthelearningprocessbyintroducingthemomentumBPneuralnetworklearningmethodto

3、improvethestabilityandaccuracyofBPneuralnetwork，reducingthelearningerrorBPneuralnetwork，andonthisbasis，proposesaBPneuralnetworkdiscretizationmethodtoachieveadiscretehandlingofcontinuousattributes.Algorithmanalysisandexperimentsshowthatthealgorithmisfeasible.Key

4、words：Discrete；BPneuralnetwork；continuousattributes；MomentumLearning在当今大数据时代，我们会面临着各种各样的数据，包括离散化的数据和连续性的数据，在众多的算法中，有许多关于数据离散化的例子［1-4］，在这些现有的方法中，各有千秋，有的处理连续性数据效果不好，有些算法即使能处理连续型数据，但挖掘和学习的效果没有处理离散型数据有用和有效。对我们日常生活和应用中的实际例子分析发现，对我们有用的数据除了连续性的，更多存在的是连续型属性的数据。这样的话，对数据

5、进行离散化处理显得异常重要，离散化处理的效果好坏，效率高低，直接关系到数据处理和分析的最终结果［5-6］。离散化处理是数据挖掘中数据预处理的一个重要环节，离散化对整个数据挖掘的成败有着关键的作用:1）减少数据处理中的不确定因素，比如，描述一个人的身高，规定1.80m是高个子，那么1.799m,怎么处理这样的数据呢。2）离散化可以减小数据规模，我们现在处于一个被数据包围的时代，如果能在数据处理过程中减小数据规模，就可以大大提高数据处理的速度，提高算法的有效性，降低程序的运行时间。3）离散化处理能够改善算法的鲁棒性，提高

6、数据处理的准确性［7］。（4）算法的改进和离散化处理可以相互促进发展［6，8，9］。1离散化问题的描述离散化就是采取各种方法将连续的区间划分为小的区间，并将这连续的小区间与离散的值关联起来。离散化的问题本质是：决定选择多少个分割点和确定分割点位置。连续属性离散化的方法有大概有以下几种：1）无监督和有监督。在离散化过程中使用类信息的方法是有监督的，而不使用类信息的方法。2）全局和局部。全局离散化指使用整个样本空间进行离散化，而局部离散化指在样本空间的一个区域内进行离散化。3）动态离散化和静态离散化。动态的离散化方法就是

7、在建立分类模型的同时对连续属性进行离散化，而静态离散化方法就是在进行分类之前完成离散化处理。2BP神经网络BP神经网络是一种多层前向型神经网络，其神经元的传递是S型函数，输出紧为0-1.的连续量，它可以实现从输入到输出的任意非线性映射。由于权位的调整采用反向传播学习算法，因此，人们就就将此算法称为向后传播算法，简称BP算法。日前，在神经网络的已有的应用实践中，BP神经网络的应用占了绝对优势，也说明了BP祌经网络的应用广泛性和优势，以及有不可限量的应用前景和发展空间。BP神经网络模型是一个三层网络，它的拓扑结构可被划分

8、为：输入层、输出层，隐含层。其中，输入层与输出层具有更重要的意义，因此有些文献和算法中把BP神经网络看成有输入层和输出层组成的两层网络结构。3基于BP神经网络的离散化方法1）对BP神经网络的参数进行初始化。首先创建网络结构，并根据实际情况确定BP神经网络中的输入层，隐含层和输出层的节点数、连接权值和训练误差值等初值，最后给定学习速率和神经元激励