一种遗传模糊神经网络数据挖掘算法课件.ppt

一种遗传模糊神经网络数据挖掘算法课件.ppt

ID:57070466

大小:142.00 KB

页数:24页

时间:2020-07-31

一种遗传模糊神经网络数据挖掘算法课件.ppt_第1页
一种遗传模糊神经网络数据挖掘算法课件.ppt_第2页
一种遗传模糊神经网络数据挖掘算法课件.ppt_第3页
一种遗传模糊神经网络数据挖掘算法课件.ppt_第4页
一种遗传模糊神经网络数据挖掘算法课件.ppt_第5页
资源描述:

《一种遗传模糊神经网络数据挖掘算法课件.ppt》由会员上传分享,免费在线阅读,更多相关内容在教育资源-天天文库

1、一种遗传模糊神经网络数据挖掘算法模糊系统与数学张勇,黄金才,张维明,汤大权摘要数据挖掘是近年来信息处理领域出现的新的研究方向。本文探讨了扩展型TS模糊神经网络和遗传算法在数据挖掘中的应用,并提出了一种把模糊神经网络与遗传算法相结合的数据挖掘方法。在该方法中由遗传算法自适应地构造和优化TS模型,TS模型完成预测,这种预测是建立在遗传算法的聚类结果之上的。二者的结合,提高数据挖掘的应用效果。背景数据挖掘(DataMining,DM)是从大型数据库或数据仓库中发现并提取隐藏在其中信息的一种新技术,帮助决策者寻找数据间潜在的关联,发现被忽略的因素数据挖掘的任务相关分析

2、聚类概念描述偏差检测预测两种模型对于n输入单输出的模糊系统,模糊规则的形式为:如果:x1isAj1andx2isAj2and…andxnisAjn,则:yjisBj其中,Aji(i=1,…,n),Bj是模糊子集。如果在结论部分用一函数fj(x1,…,xn)代替模糊集Bj得到的模型称为TS模型(Takagi和Sugeno提出)。fj常取变量的线性组合:fj(x)=C1jx1+C2jx2+…+Cnjxn+C0j以上两种输入变量是彼此独立,对于复杂的输入空间规则数目将急剧增多,为避免这种情况,采用模型:如果X∈Rj,则y=gj(X)其中,X=(x1,…,xn)T,R

3、j是对输入空间分割后的子空间每个空间对应一个规则利用神经网络可以求出条件部输入变量,也可以表示出结论部的函数。可以得到基于神经网络的模糊系统,其结构如图所示。其中NN1~NNR分别用来表示R条规则的结论部分,NNmf给出每条规则适用度μj,系统最后的输出为y=∑μjgj,gj由NNj给出。建立上图所示的模糊神经网络系统,主要有以下三大任务:①决定模糊规则的个数;②获取计算规则适用度的神经网络;③获取生成结论部分的神经网络。划分方法建立扩展型TS模糊神经网络的关键是对输入空间的有效划分。本文划分方法:利用遗传算法对输入空间进行划分。(?)遗传算法遗传算法是进化计

4、算(EvolutionaryComputation)的一种,体了生物进化的四个要素:繁殖、变异、竞争和自然选择。遗传算法优点①始终保持整个种群的进化;②对参数进行编码,不需知道目标函数的特征,如连续、可微等;③它是一种采用启发式知识的智能搜索算法,所以往往对高度复杂的问题能取得满意的效果。本文是把遗传算法用到数据挖掘上来,即用遗传算法对数据进行聚类。几个基本概念指导点:可认为是代表该类的典型样本点,每个类用一个指导点加以标识。聚类:对于样本集,当给定一组指导点后,每个样本都唯一地划分到其中一个类中(每个类由唯一的一个指导点标识,距离两个指导点相等,则选一个指导

5、点作为该样本所属类),即被聚类遗传算法的类思想:Step0数据空间,每一个样本(记录)认为是空间中的一个点。相应的有一个坐标标识该样本,(x,y)表示一个记录。Step1编码,以一组指导点(GuidePoints)作为一种聚类结果,记录所属的类由距它最近的指导点所决定。指导点也是以坐标(x,y)的形式表示。Step2个体(染色体),即一组指导点,指导点的个数等于聚类的类个数。种群的规模由问题的复杂程度确定。目标就是用遗传算法找到一组最佳指导点,即种群中的一个最佳个体。Step3适应值函数,样本空间中的点到距它最近的指导点距离的平均值。可见,适应值越小的个体越好

6、。Step4交叉,随机地选择两个个体和交叉位置,然后把它们相对应的部分进行交换。Step5变异,即以一种概率,让个体中的某些点在其附近随机地改变。一般地,v=v+αN(0,1),v为要改变的值,N(0,1)为标准随机变量。Step6选择(自然选择),从交叉、变异、繁殖(复制个体)的种群中选出适应性强的个体组成新的种群。Step7重复以上步骤,直到种群不再进化或找到目标为止。应用流程Step1聚类。Step2网络结构的确定Step3训练NNmf.Step4NNj的确定。其中第三步中学习样本定义:假设训练样本中的ei在Step1中被聚类到第j组中,则:样本输出:W

7、i=(wi1wi2…wij-1wijwij+1…wiR)T=(OFFOFF…OFFONOFF…OFF)T样本输入:Xi=(xi1,…,xin),ON/OFF可取值1/0,但训练NNmf要采用Sigmoid函数,它不能完全取值1/0。为精确起见,用1.0与归一化后的样本点到距它最近的指导点的距离差值代替。Sigmoid函数,即f(x)=1/(1+e-x)。神经元的非线性作用函数。遗传算法与TS模糊神经网络相结合在数据挖掘中的应用从本文给出的例子(P134)可以看出:无论从应用误差还是从学习时间来看,方法1,即本文所提出的基于聚类的模糊神经网络预测系统的构造和学习

8、算法都是好的。且遗传算法克服了LBG的

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。