数据挖掘结课论文_袁博

《数据挖掘结课论文_袁博》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、数据挖掘课程论文题目：数据挖掘中神经网络方法综述学号：1013019姓名：袁博专业：工业工程一、引言3（一）数据挖掘的定义3（二）神经网络简述3二、神经网络技术基础理论3（一）神经元节点模型3（二）神经网络的拓扑结构4（三）神经网络学习算法4（四）典型神经网络模型5三、基于神经网络的数据挖掘过程6（一）数据准备6（二）规则提取7（三）规则评估8四、总结8—、引言（一）数据挖掘的定义关于数据挖掘的定义很多，其中被广泛接受的定义是：数据挖掘是一个从不完整的、不明确的、大量的并且包含噪声，具有很大随机性的实际应用数据中，提取出隐含其中、事先未被人们获知、却

2、潜在有用的知识或模式的过程。该定义包含了一下儿个含义：（1）数据源必须为大量的、真实的并且包含噪声的；（2）挖掘到的新知识必须为用户需求的、感兴趣的；（3）挖掘到的知识为易理解的、可接受的、有效并且可运用的；（4）挖掘出的知识并不要求适用于所有领域，可以仅支持某个特定的应用发现问题。⑴这个定义准确的叙述了数据挖掘的作用，即对海量、杂乱无章的数据进行处理和分析，并发现隐藏在这些数据中的有用的知识，为决策提供支持。（二）神经网络简述神经网络是模拟人类的形象直觉思维，在牛物神经网络研究的基础上，根据生物神经元和神经网络的特点，通过简化、归纳，提炼总结出来的

3、一类并行处理网络，利用其非线性映射的思想和并行处理的方法，用神经网络本身的结构来表达输入和输出的关联知识。⑵起初，神经网络在数据挖掘屮的应用并未被看好，其主要原因是神经网络具有结构复杂、可解释性差、训练吋间长等缺陷。但其对噪声数据的高承受能力和低错误率的优点，以及各种网络训练算法的陆续提出与优化，尤其是各种网络剪枝算法和规则提取算法的不断提出与完善，使得神经网络在数据挖掘中的应用越来越为广大使用者所青睐。二'神经网络技术基础理论（一）神经元节点模型生物神经元，也成神经细胞，是构成神经系统的基本单元。生物神经元主要由细胞体、树突和轴突构成。人们将生物神

4、经元抽象化，建立了一种人工神经元模型。（1）连接权连接权对应于生物神经元的突触，各个人工神经元Z间的连接强度由连接权的权值表示，权值正表示激活，为负表示抑制。(2)求和单元求和单元用于求和各输入信号的加权和(线性组合)。(3)激活函数激活函数起非线性映射作业，并将人工神经元输出幅度限制在一定范围内，一般限制在(0,1)或者(一1,1)之间。(二)神经网络的拓扑结构人工神经网络(ArtificialNeuralNetworks,ANN)是由大量人工神经元广泛互联而成的，它可以用来模拟神经系统的结构和功能。人工神经网络可以看成是以人工神经元为节点，用有向

5、加权弧连接起来的有向图。根据连接方式，ANN主要分为两大类：(1)前馈型网络前馈型网络是静态非线性映射，通过简单非线性处理的复合映射可获得复杂的非线性处理能力。网络中各个神经元接受前一级的输入，并输岀到下一级，网络中没有反馈，且同层中的神经元之间无连接。(2)反馈型网络反馈型神经网络是一种从输出到输入具有反馈连接的神经网络，神经元的输出可以反馈至同层或者前层神经元。因此，信号能够正向和反向流通。(三)神经网络学习算法下面介绍神经网络中最基本的几种学习算法：(1)Hebb型学习Hebb型学习的出发点是Hebb学习规则，即如果神经网络中某一神经元同另一直

6、接与它连接的神经元同时处于兴奋状态，那么这两个神经元之间的连接强度将得到加强。该学习方式可用如下表示：=叫(。+巾兀⑺+vz(/)](2)误差修正学习误差修正学习是一种有导师的学习过程，其基本思想是利用神经网络的期望输出与实际之间的偏差作为连接权值调整的参考，并最终减少这种偏差。最慕本的谋差修正规则规定：连接权值的变化与神经元希望输出和实际输出之差成正比。该规则的连接权的计算公式如下所示：气,(/+1)=(r)+巾［巧(/)一儿(/)］儿(/)(1)竞争型学习竞争型学习是指网络中某一组神经元相互竞争对外界刺激模式响应的权力，在竞争中获胜的神经元，其连

7、接权会向着对这一刺激模式竞争更为有利的方向发展。竞争型学习是一种典型的无导师学习，学习时只需要给定一个输入模式集作为训练集，网络自行组织训练模式，并将其分成不同类型。⑶(2)随机型学习随机型学习的基本思想是结合随机过程、概率和能量(函数)等概念来调整网络的变量，从而使网络的目标函数达到最大(或最小)。网络的变量可以是连接权，也可以是神经元的状态⑷。(二)典型神经网络模型自1957年美国学者F・Rosenblatt于第一届人工智能会议上展示他构造的第一个人工神经网络模型一MP模型以来，据统计到目前为止，已提出的神经网络模型有上百种之多。前馈型网络，以B

8、P(BackPropagation)模型、函数型网络为代表，用于分类、预测和模式识别等方面；反馈型网络，以H