神经网络专家系统及其数据挖掘技术的探讨

知识发现是目前数据库和机器学习的热门方向，本文在讲座了神经网络专家系统技术的基础上，探讨了如何在神经网络专家系统中融入发现的过程，给出了一个系统框架及其中的一些算法，并给予了深入讨论。     

用神经网络来挖掘数据库中的关联规则

在数据库中进行数据挖掘的方法有多种，神经网络方法是其中之一，在某些场合下神经网络方法有它的优势。本文讨论了一种适用于知识发现的神经网络模型，并给出了神经网络知识发现系统的设计过程，最后讨论了该方法的优缺点。     

用神经网络来进行数据库中知识发现

讨论了数据库中的知识发现的基本技术，提出了一种适用于数据挖掘的神经网络方法，并给出了神经网络数据挖掘系统的构造过程，应用结果表明该方法是可行有效的，并对该方法进行了深入的讨论。     

基于佳点萤火虫算法与BP神经网络并行集成学习的旱情预测模型

针对传统BP神经网络在旱情预测的实际应用中随机初始权值和阈值导致网络学习速度慢、易陷入局部解以及计算精度低等缺陷,提出一种基于数论佳点集萤火虫(good point set glowworm swarm optimization,GPSGSO)算法与BP神经网络(back propagation neural network,BPNN)并行集成学习算法(GPSGSO-BPNN)的旱情预测模型.首先,借鉴数论中佳点集理论构造初始均匀分布的萤火虫种群,并引入惯性权重函数动态修正移动步长,生成基于数论佳点集理论萤火虫算法,并从理论上分析算法的有效性;其次,将GPSGSO算法与BPNN相结合构建并行集成学习算法,实现两种算法的并行交互集成.最后,将并行集成学习算法应用于农业干旱灾害预测中,构建基于GPSGSO-BPNN并行集成学习算法的旱情预测模型.通过8个Benchmark函数验证了GPSGSO算法在收敛速度、计算精度及稳定性等方面的有效性.同时,以皖北农业干旱气象数据作为仿真数据,实验结果表明GPSGSO-BPNN算法在计算速度、精度及稳定性方面较传统BPNN、GSO-BPNN及GA-BPNN等算法有较明显的优势,提高了旱情等级预测的准确性.     

基于属性重要性的贪心算法的改进算法

文章针对决策表属性离散化改进的贪心算法在信息表中判断断点存在的缺陷,通过引入属性重要性的概念,提出了基于属性重要性的贪心算法的改进方案,弥补了原算法无法选择断点的缺陷,通过计算属性的重要性大小,优先选择属性重要的断点。     

融合粗糙集和扩散二元萤火虫算法的属性约简方法

从一维细胞自动机模型入手,将自然界中种群的扩散行为引入二元萤火虫算法(binary glowworm swarm optimization, BGSO)中,提出了一种扩散二元萤火虫算法 (spread binary glowworm swarm optimization, SBGSO)。该算法对萤火虫个体设置营养值及营养阈值的上下限,然后执行扩散操作,以正态分布方式产生新的个体,并淘汰一些持续表现很差的个体,释放资源给其他个体,以保持种群的动态多样性。然后将SBGSO作为搜索策略,粗糙集 (rough set, RS) 作为评价准则,应用于大数据预处理的属性约简问题。为验证本文算法的可行性,采用5个UCI数据集进行实验,并结合10-fold和支持向量机(support vector machine,SVM)算法对预测结果分类准确率进行分析,通过与其他算法对比,表明本文算法具有较好的约简效果。     

范例库中特征项权重的发现技术

系统地探讨了在范例库中引入一系列可以使用的数据挖掘技术，以期提高范例推理系统中知识获取的自动化程度。为了准确地表达范例比较间的本质特征，重点讨论了应用于范例库上特征项赋权的基本技术，并提出了一个自适应发现算法，然后进行了实验，结果表明此方法要优于其它方法。     

基于覆盖算法与多层前馈网络的案例库维护

针对运行在电子商务等交互式应用领域中的案例推理系统时,其案例库的规模很容易达到成千上万条且不能削减的特点,提出同时从两方面着手完成案例库维护:一方面用覆盖算法将案例库划分成覆盖领域,实现案例的选择性过滤使用;另一方面应用多层前馈神经网络改进案例匹配,提高检索效率.实验表明,该方法可以用来处理海量的高维数据,保证了系统的可用性.     

用神经网络来进行数据库中的知识发现(英文)

讨论了数据库中的知识发现的基本技术 ,提出了一种适用于数据挖掘的神经网络方法 ,并给出了神经网络数据挖掘系统的构造过程 ,应用结果表明该方法是可行有效的 ,并对该方法进行了深入的讨论。     

融合粗糙集和二元萤火虫算法的雾霾关键影响因素预测方法

雾霾对人类的日常生活带来极大的危害,因而分析产生雾霾的关键影响因素尤为重要.针对目前传统算法预测雾霾关键影响因素存在的缺陷,从一维细胞自动机入手,提出了一种以基于群落弱连接机制的二元萤火虫算法(CWLBGSO)为搜索策略,粗糙集为评价准则的混合方法.CWLBGSO基于自然界中萤火虫间协同进化的"弱连接"机制,划分搜索空间,为每个子空间分配相应的种群,各子种群中的次优个体相互交互产生新个体,从而保持种群的动态多样性,然后将CWLBGSO结合粗糙集,应用于北京,广州和上海三地雾霾关键影响因素的预测中,并结合10交叉验证和SVM算法对预测结果分类准确率和影响因素进行分析,通过与其它算法进行对比,结果表明本文算法能有效剔除冗余因素,预测结果具有较高的稳定性和可行性.