基于kohonen和bp神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)挖掘方法研究

《基于kohonen和bp神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)挖掘方法研究》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。

1、中南大學(xué)碩士學(xué)位論文基于Kohonen和BP神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)挖掘方法研究姓名：莫禮平申請學(xué)位級(jí)別：碩士專業(yè)：計(jì)算機(jī)使用技術(shù)指導(dǎo)教師：樊曉平20060522摘要數(shù)據(jù)挖掘足從結(jié)構(gòu)化或非結(jié)構(gòu)化的原始數(shù)據(jù)中自動(dòng)獲取知識(shí)的過程，數(shù)據(jù)挖掘效率依賴于所使用的挖掘方法。根據(jù)所涉及的科學(xué)領(lǐng)域，數(shù)據(jù)挖掘方法可粗略分為基于統(tǒng)計(jì)學(xué)的方法、基于機(jī)器學(xué)習(xí)的方法、基于神經(jīng)網(wǎng)絡(luò)的方法和基于數(shù)據(jù)倉庫的方法四大類。基于神經(jīng)網(wǎng)絡(luò)的方法可以對(duì)大量復(fù)雜的非線性數(shù)據(jù)進(jìn)行分析，并能完成極為復(fù)雜的模式識(shí)別及趨勢分析，適用于構(gòu)造多種數(shù)據(jù)挖掘模型。然而，由于神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果的可解釋性較差，而且神經(jīng)網(wǎng)絡(luò)需要較長的學(xué)習(xí)時(shí)間

2、，當(dāng)需要分析的數(shù)據(jù)量很大時(shí)，有可能導(dǎo)致該類挖掘方法的性能下降。通過改進(jìn)算法來優(yōu)化網(wǎng)絡(luò)是目前提高神經(jīng)網(wǎng)絡(luò)的可理解性和學(xué)習(xí)速度的主要途徑。本文結(jié)合SOM算法和BP算法的改進(jìn)，研究了基于Kohonen和BP神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)挖掘方法。在對(duì)Kohonen網(wǎng)絡(luò)和BP網(wǎng)絡(luò)的拓樸結(jié)構(gòu)、用于數(shù)據(jù)挖掘的基本原理及算法進(jìn)行分析的基礎(chǔ)上，本文提出了兩種改進(jìn)算法。一種是由鄰域函數(shù)決定權(quán)重調(diào)整程度的改進(jìn)SOM算法，該算法避免了基本SOM算法調(diào)整權(quán)重前的鄰域判斷過程，有利于提高Kohonen網(wǎng)絡(luò)的學(xué)習(xí)速度和自適應(yīng)性；另一種是基于局部權(quán)重及閾值調(diào)整的改進(jìn)BP算法，該算法動(dòng)態(tài)地將網(wǎng)絡(luò)權(quán)重及閾值的全局調(diào)整

3、改變?yōu)榫植空{(diào)整，提高TBP網(wǎng)絡(luò)的收斂速度。仿真實(shí)驗(yàn)證明了兩種改進(jìn)算法的優(yōu)越性。本文重點(diǎn)研究]'Kobonen網(wǎng)絡(luò)聚類和BP網(wǎng)絡(luò)分類挖掘方法的組合使用。在前述兩種改進(jìn)算法的基礎(chǔ)上，提出了組合使用的基本思想，并據(jù)此設(shè)計(jì)了先利用Kohonen子網(wǎng)聚類結(jié)果將原始數(shù)據(jù)進(jìn)行初步分類，再由BP子網(wǎng)根據(jù)初步分類結(jié)果完成精確分類的組合神經(jīng)網(wǎng)絡(luò)分類模型；討論了如何在故障診斷中使用該模型的過程；并通過電力變壓器故障診斷的仿真實(shí)驗(yàn)，比較了組合網(wǎng)絡(luò)分類模型和單一BP網(wǎng)絡(luò)分類模型的故障診斷效果。實(shí)驗(yàn)結(jié)果表明組合模型不但克服了單一Kohonen網(wǎng)絡(luò)輸出結(jié)果不易理解，單--BP網(wǎng)絡(luò)泛化性能差、難以實(shí)

4、現(xiàn)精確分類的缺點(diǎn)；而且在實(shí)現(xiàn)精確分類的正確性方面優(yōu)于單一的BP網(wǎng)絡(luò)分類模型，能夠?qū)﹄娏ψ儔浩鞴收系默F(xiàn)場分析診斷起到一定的指導(dǎo)作用。關(guān)鍵詞神經(jīng)網(wǎng)絡(luò)，數(shù)據(jù)挖掘，聚類分析，分類，故障診斷ABSTRACTDataMining(DM)isaprocessofacquiringknowledgeautomaticallyfromthestructuralornon-structuralOri}ginaldata．TheefficiencyofDMdependsonadpotedmethod．Accordingtosciencefieldsinvolved，theDMmethods

5、areroughlydiviedintofourtypeswhichareseparatelybasedonStatistics，MachineLearning，ArtificialNeutralNetwork(aNN)andDataWarehouse．Amongthem，themethodbasedonANNcarlanalyzeagreatdealofcomplicatednon．1ineardam,andcancompletetheextremelycomplicatedpaaemrecognitionandtrendanalysis．Thismethodcan

6、beapplicabletoconstructmanifolddataminingmodel．However，itisratherdifficulttoexplaintheoutputofANNFuthermore，ANNneedlongerlearningtime。SOwhentherearelotsofdatatobeanaly?,,ed,theperformanceofthismethodprobably。becomeworse,Atmepresent。time，algorithmimprovingisthemainapproachtoincreasethein

7、telligibilityandlearningspeedofANN．Combiningwithalgorithmimproving，thispaperstudiestheDMmethodsbasedonKohonenandBPneutralnetwork．Onthebasisofanalyzingthetopologicalstructure，rationaleandalgorithmofKohonenandBPneutralnetwork,twoimprovedalgorithmsareputforward．Oneofthemisaimprove