基于神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)挖掘分類算法比較和分析研究.pdf

1、隨著信息技術(shù)的發(fā)展，人們生產(chǎn)數(shù)據(jù)和采集數(shù)據(jù)的能力愈來愈高，但是，我們在數(shù)據(jù)分析和知識獲取方面，能力還相對滯后。因此，從收集數(shù)據(jù)、創(chuàng)建數(shù)據(jù)庫，管理數(shù)據(jù)，到數(shù)據(jù)分析，數(shù)據(jù)挖掘技術(shù)漸漸產(chǎn)生和發(fā)展。
　　數(shù)據(jù)挖掘（Data Mining，DM）是一門跨學(xué)科的課題，涉及許多領(lǐng)域，包括統(tǒng)計學(xué)(Statistics)、數(shù)據(jù)庫（Database）、機器學(xué)習(xí)(Machine Learning)和人工智能(Artificial Intelligenc

2、e)等。數(shù)據(jù)挖掘，也被稱為數(shù)據(jù)庫中的知識發(fā)現(xiàn)，是從“海洋般”的大量數(shù)據(jù)中獲取新穎的、有用的、有效的、可理解的模式的非平凡過程，也就是從大量數(shù)據(jù)里提取知識。分類(Classification)問題是數(shù)據(jù)挖掘技術(shù)中非常重要的研究課題，利用分類技術(shù)，可以從數(shù)據(jù)集中提取出描述數(shù)據(jù)類相同的模型或函數(shù)，并且能夠順利把數(shù)據(jù)集中每一個未知類別的數(shù)據(jù)劃歸到某個已知的類別中去。目前，常用的數(shù)據(jù)挖掘分類算法主要有:統(tǒng)計分類法、決策樹、人工神經(jīng)網(wǎng)絡(luò)方法等。不同

3、的算法會產(chǎn)生不同的分類器，而不同的分類器又會影響數(shù)據(jù)挖掘的準確率和數(shù)據(jù)挖掘的效率。因此，當面對數(shù)據(jù)量龐大的分類問題時，選擇適當?shù)姆诸愃惴ㄊ欠浅Ｓ斜匾摹?br>　　人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network，ANN)是數(shù)據(jù)挖掘常用的方法之一，該方法通過模擬人腦生物神經(jīng)網(wǎng)絡(luò)，將若干個具有處理功能的神經(jīng)元(neurone)節(jié)點，按照一定的網(wǎng)絡(luò)結(jié)構(gòu)連接起來，使它能夠處理不精確數(shù)據(jù)、模糊數(shù)據(jù)或者復(fù)雜的非線性映射問題。人工神

4、經(jīng)網(wǎng)絡(luò)能夠識別的模式是由網(wǎng)絡(luò)的連接權(quán)值、拓撲結(jié)構(gòu)及神經(jīng)元閾值決定的。通過優(yōu)化人工神經(jīng)網(wǎng)絡(luò)的拓撲結(jié)構(gòu)及網(wǎng)絡(luò)的權(quán)值、閾值，可以達到優(yōu)化人工神經(jīng)網(wǎng)絡(luò)模型的目的。
　　本文針對實際應(yīng)用中的分類問題，詳細介紹了三種人工神經(jīng)網(wǎng)絡(luò)算法的網(wǎng)絡(luò)結(jié)構(gòu)和算法描述，以及三種算法的優(yōu)缺點，重點闡述了極限學(xué)習(xí)機的理論基礎(chǔ)。將極限學(xué)習(xí)機算法應(yīng)用于六個真實的數(shù)據(jù)集中，實現(xiàn)分類應(yīng)用試驗，并對實驗結(jié)果與支持向量機和BP算法實驗結(jié)果進行比較分析。通過實驗結(jié)果發(fā)現(xiàn)，極限