基于模糊神经网络进行数据挖掘的一种算法

通过对模糊神经网络和训练样本的构造,训练模糊神经网络使其达到一定的精度要求后,对网络进行裁剪.在网络隐层的激活和聚类后,提取规则的步骤,从而实现在数据库中获取有效知识的目的,并在应用中进行了仿真,验证了算法的有效性.     

一种基于粗集理论与神经网络的综合数据挖掘算法

提出一种基于粗集理论与神经网络的综合数据挖掘算法,该方法既保证了挖掘过程的简洁,又保证了对挖掘结果的严格验证,提高了结果的精确度．     

基于改进模糊k均值算法和神经网络算法的数据挖掘模型

为解决神经网络算法中样本数据包含大量与目标数据无关的属性而导致网络训练时间长、效率低的问题,提出基于改进模糊k均值(FKM)和BP神经网络算法的数据挖掘模型.利用改进的FKM聚类算法对输入数据的属性进行聚类,摈弃与目标属性相关性弱或冗余的属性,保留相关性强的属性,减少了神经网络的训练样本数据量,提高了网络的训练效率.对儿童血红蛋白含量的预测结果表明,该模型具有很好的实用性和可靠性.     

基于模糊神经网络的空间数据挖掘方法研究

本文针对庞大空间数据集性质复杂且非线性、持续性及噪音普遍存在的情况，提出利用模糊神经网络模型进行空间数据挖掘，并具体讲述其挖掘步骤及发现知识的类型。     

基于模糊神经网络的高光谱数据挖掘方法

分析了高光谱影像的数据特性，应用模糊聚类方法构造模糊神经网络，并将其结合进数据挖掘，对高光谱数据进行数据处理。     

带模糊语义的神经网络规则提取

针对传统的规则提取方法在处理连续值输入属性时带有很大的盲目性,且其描述也不符合人类的认知习惯的弊端,在对比原有方法的基础上,引入模糊语义,提出了新的处理连续值函数的方法,从神经网络中提取出带模糊语义的符号规则,提高了规则的可理解性。因此,使用者可以很方便地验证它的正确性。通过把连续值神经网络转化成二值网络,利用二值网络布尔规则提取方法来提取带模糊语义的规则,更符合人们的思维习惯。     

基于粗糙集的数据挖掘算法的研究

粗糙集理论是一种新的处理模糊和不精确问题的重要数学工具,是一种新的数据挖掘技术。本文主要研究基于粗糙集的数据挖掘的算法在规则提取阶段的应用。     

基于模糊聚类的神经网络在数据挖掘分类中的应用研究

常见的决策树分类算法、贝叶斯分类算法、神经网络分类算法为数据挖据分类算法研究提供了重要基础。但面对海量数据时,在时间效率、鲁棒性和精确性上都显示出了不足。为此,本文将模糊聚类的思想引入到神经网络分类算法中,首先通过模糊聚类子模型,将样本数据聚为几个数据子集,然后再采用不同的神经网络对各个数据子集同时进行训练学习。由于经过了模糊聚类子模型的预处理,每个神经网络训练学习样本的复杂性大大减少,使神经网络的学习效率大大提高。最后通过UCI下的实际数据库,对提出的分类算法进行了检验,结果显示了基于模糊聚类的神经网络在数据挖掘分类中应用的有效性。     

基于神经网络进行数据挖掘的一种算法

本文对神经网络的数据挖掘方法进行了详细的研究,包括数据挖掘的工作流程、神经网络的基本概念和结构、实现的关键技术以及神经网络的应用,验证了算法的有效性和高效率性。     

基于LM算法的相关模糊神经网络及其应用

针对输入变量相关性较高的非线性建模模型,经典模糊神经网络算法存在收敛速度缓慢、模糊规则数大、陷入局部最小值的问题。提出一种基于LM算法的相关模糊神经网络模型;该模型基于聚类思想,构建多变量高斯模糊隶属度函数,将其表示为不可分离的模糊关系来处理相关变量模型;再采用LM优化算法,通过Hessian矩阵和一阶梯度向量同时调整网络参数;并引入Cholesky定理缩减网络参数个数。应用LM算法的模糊神经网络模型实验结果表明,可以加快收敛速度、减少模糊规则数,比经典的模糊神经网络有更好的预测精度。     

利用神经模糊系统从数据中挖掘模糊逻辑

提出一种利用神经模糊系统从实验记录的曲线或者数据中挖掘模糊逻辑规则的方法。首先根据生产控制系统的实验记录的曲线或者数据,初步确定一个“if…then”模糊逻辑规则模型;然后利用具有非线性特性的神经网络和模糊推理中的模糊逻辑运算,构造了一个神经模糊系统;通过有导师的误差反向传输学习,将训练后的神经模糊系统的网络联接权的变化结合为模糊逻辑规则的变化和修改,从而实现了从实验记录的曲线或者数据中推理、归纳的模糊逻辑控制规则。     

模糊神经Petri网算法优化及其收敛性分析

针对模糊神经Petri网(fuzzy neural Petri net,FNPN)学习算法计算精度低、收敛性差及训练过程中网络震荡较大的问题,提出一种优化的FNPN算法.本算法采用两种S型连续函数分别表示变迁使能及变迁点燃后的新标记值,并在传统参数修正公式的基础上考虑修正前的数值进而增加新型的动量项,从而改善网络的收敛性.本文证明了优化后的参数修正算法可以保证FNPN网络的收敛性.     

基于云计算的模糊规则挖掘算法在入侵检测中的应用

提出了一种基于云计算的模糊规则挖掘算法的入侵规则检测方法.以模糊集理论为基础,提出了在入侵关联规则挖掘中将特征属性模糊集作为单一属性来处理的模糊规则挖掘算法,有效地解决入侵规则中出现不相关规则和"尖锐边界"等问题.在云计算平台上进行算法的验证,利用云计算平台可进行大规模计算和数据处理的特点,得出该思想在入侵检测具有较好的应用效果和前景.     

基于数据挖掘平台的模糊聚类算法及应用研究

研究基于目标函数的模糊聚类算法,并对聚类效果的有效性和参数选择进行了详细分析,在数据挖掘平台中实现该算法,通过设置聚类误差和实时误差两项动态指标来确定最佳的判别方法和参数设置．最后将该算法应用于模型生命表制作的前期分析工作中。     

一种挖掘广义模糊关联规则的方法

基于模糊类层次的概念,讨论了模糊关联规则支持度和置信度的计算,给出一个挖掘广义模糊关联规则的算法,并说明其应用.     

神经网络在企业信用信息数据分析中的应用

以企业信用评级知识为基础,运用数据挖掘中的神经网络技术,研究企业信用评级中的神经网络结构,进行企业信用评级模型——神经网络感知器的新探索．以此制定相应的信用政策,控制企业的信用风险．     

一种新的基于RS和NN的混合数据挖掘算法

提出一种结合粗糙集理论和BP神经网络理论的新数据挖掘算法.算法利用粗糙集对属性的归约功能将数据仓库中的数据进行归约,将归约后的数据作为训练数据提供给神经网络.通过粗糙集归约,提高了训练数据表达的清晰度,也减少了神经网络的规模,同时利用神经网络又弥补了粗糙集对噪声数据敏感的不足.     

基于密度聚类补偿模糊神经网络的建模方法

补偿模糊神经网络是综合补偿模糊逻辑和神经网络的混合系统。提出了将密度聚类算法运用到补偿模糊神经网络的输入模糊化和规则提取中。通过该方法对非线性系统的建模,仿真结果证明改进后的网络在提取规则、误差精度、收敛速度等方面均优于传统补偿模糊神经网络。