基于模糊神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)挖掘算法.pdf.doc

《基于模糊神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)挖掘算法.pdf.doc》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在教育資源-天天文庫。

1、用神經(jīng)網(wǎng)絡(luò)進行數(shù)據(jù)挖掘的一種方法信息與計算科學(xué)122項磊201211010220摘要:提出一種基于模糊神經(jīng)網(wǎng)絡(luò)進行數(shù)據(jù)挖掘的新方法。構(gòu)成模糊神經(jīng)網(wǎng)絡(luò)的模糊化層采用高斯函數(shù)計算5個模糊隸屬度,高斯函數(shù)需要的均值、方差以及隸屬度的中心值都可通過預(yù)先計算采集到的數(shù)據(jù)得到。模糊推理層采用取小取大運算代替常用的積和運算,加快了網(wǎng)絡(luò)的推理速度。在模糊神經(jīng)網(wǎng)絡(luò)訓(xùn)練階段,首先利用重心法對模糊化層輸出進行反模糊化,再采用BP思想,利用梯度法求誤差值并進行反傳調(diào)整隸屬度函數(shù)的參數(shù)值。為提高網(wǎng)絡(luò)推理精度和速度,通過設(shè)立

2、相應(yīng)的規(guī)則對網(wǎng)絡(luò)進行裁剪,剪掉多余的節(jié)點和權(quán)值,最后依據(jù)一定的思想對產(chǎn)生的模糊規(guī)則進行簡化和提取。以工業(yè)鍛造中的智能溫度控制系統(tǒng)的控制數(shù)據(jù)為例進行仿真,結(jié)果表明,該網(wǎng)絡(luò)具有較高的精度和較好的魯棒性。關(guān)鍵詞:數(shù)據(jù)挖掘;模糊神經(jīng)網(wǎng)絡(luò);網(wǎng)絡(luò)裁剪;規(guī)則提取數(shù)據(jù)挖掘是指從大量數(shù)據(jù)中提取出未知的、有價值的模式或規(guī)律?，F(xiàn)已經(jīng)應(yīng)用在工業(yè)控制、商業(yè)管理、科學(xué)研究等領(lǐng)域。數(shù)據(jù)挖掘的算法有許多種,主要包括:模糊集,粗糙集,神經(jīng)網(wǎng)絡(luò)等[1]?，F(xiàn)實中巨量數(shù)據(jù)集中數(shù)據(jù)關(guān)系復(fù)雜,非線性程度高,噪聲數(shù)據(jù)普遍存在,使得一些算法的適

3、用受到很大的限制。人工神經(jīng)網(wǎng)絡(luò)能夠通過訓(xùn)練獲得用數(shù)據(jù)表達的知識[2-3],除了可以記憶已知的知識外,神經(jīng)網(wǎng)絡(luò)還具有較強的概括能力和聯(lián)想記憶能力,不錯的容噪能力和分類精度、魯棒性高的優(yōu)點使它在解決數(shù)據(jù)挖掘中的問題時有很大的優(yōu)勢。但它也有一些不足,如“黑箱”性,對于高維或者超大規(guī)模問題,它的學(xué)習(xí)速度緩慢,規(guī)則生成比較困難[4]。模糊邏輯(FuzzyLogic)是以ZadehLA創(chuàng)立的模糊集合論為理論基礎(chǔ),針對人類思維中的模糊性特點。利用領(lǐng)域?qū)＜业南闰炛R,進行近似推理。它能對復(fù)雜事務(wù)進行模糊識別,模糊

4、推理,但缺乏自學(xué)習(xí)自適應(yīng)的能力。將模糊邏輯引入人工神經(jīng)網(wǎng)絡(luò)實現(xiàn)它們的有機結(jié)合,形成模糊神經(jīng)網(wǎng)絡(luò)(FuzzyNeuralNetwork,FNN),使系統(tǒng)不僅具有模糊邏輯的不確定信息處理能力,又具有神經(jīng)網(wǎng)絡(luò)良好的自學(xué)習(xí)性。和一般的神經(jīng)網(wǎng)絡(luò)相比,它具有更快的學(xué)習(xí)速度和更小的規(guī)模。1模糊神經(jīng)網(wǎng)絡(luò)實現(xiàn)1.1模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)　　模糊神經(jīng)網(wǎng)絡(luò)就是用模糊化模塊對數(shù)據(jù)進行處理,然后將獲得的知識傳遞到神經(jīng)網(wǎng)絡(luò)中進行網(wǎng)絡(luò)訓(xùn)→→模糊化神經(jīng)網(wǎng)絡(luò)的模糊推理清晰化與反饋修正1.2模糊神經(jīng)網(wǎng)絡(luò)構(gòu)造依照圖1構(gòu)建了一種模糊神經(jīng)網(wǎng)絡(luò)。

5、該網(wǎng)絡(luò)共有8層。第1層為輸入層,包括固定值-1輸入和樣本變量值x的輸入;第2層為偏移層,計算x-ωμ;第3層為iij4模糊輸入層(或者稱為高斯函數(shù)層)。該層采用高斯函數(shù)作為傳遞函數(shù)主要用于實現(xiàn)模糊隸屬度函數(shù),計算出5個分屬于“差,較差,可,較好,好”語言變量的隸屬度;第4層為取小運算層,完成輸入值的取小運算;第5層為取大運算層;第6層為模糊輸出層,將P結(jié)點的輸出和此層的其它結(jié)點輸出相乘輸出;第7層為清晰化層,主要完成對映射網(wǎng)絡(luò)的輸出結(jié)果進行清晰化處理;第8層為權(quán)值調(diào)整層。1.3隸屬度函數(shù)實現(xiàn)這任務(wù)

6、由前3層來實現(xiàn)對模糊信息的預(yù)處理,其主要功能是計算各輸入分量屬于各模糊集合的隸屬度。X=[x,x,…,x],:設(shè)輸入向量為12nT則模糊化層各節(jié)點的輸入輸出如下11121μ22第1層:I=x,O=I　　2層:I=O-ω,O=Iiiii第ijiijijij32σ331μσ2第3層:I=O·ω　　O=f(I)=exp{-((I-ω)/(/ω))}ijijijijijiij1ij,i=,……n,j=,,,,iik(k=,,)ikk其中。I、O。I,O1212345kk分別代表第123層第個節(jié)點的輸入輸出

7、ijij分別代表k層中由第i個輸入節(jié)點分出的第j個節(jié)點的輸入和輸出。ωμij、ωσij為可調(diào)函數(shù),ωμij為高斯函數(shù)的中心值;ωσij為函數(shù)的分布參數(shù),又稱為尺度因子。設(shè)樣本的均值和方差分別為μ和σ,由統(tǒng)計知識知:1ni1ni2μ=/n(∑x)　　σ/n(∑(x-a))i=1i=1上式中,n為樣本數(shù)。在對數(shù)據(jù)進行模糊分類時,取“差”、“較差”、“可”、“較好”的隸屬函數(shù)的中心分別取為(μ-2σ)、(μ-σ)、μ、(μ+σ)、(μ+2σ)。1.4模糊神經(jīng)網(wǎng)絡(luò)訓(xùn)練當(dāng)系統(tǒng)的推理精度不夠高時,需要調(diào)整隸屬

8、函數(shù)的參數(shù)。采用BP網(wǎng)絡(luò)的反向傳播學(xué)習(xí)思想進行訓(xùn)練。對于第i組采樣數(shù)據(jù)(x1,x2,…,xn;y1,y2,…,ym)Ti。訓(xùn)練算法如下:第1步:提取模糊規(guī)則。將樣本輸入到網(wǎng)絡(luò)后,在第3層中計算“差,較差,可,較好,好”的語言值的隸屬度。先將這5個語言值標(biāo)記為1,2,3,4,5,對于每一個輸入元素,取出其中隸屬度最大的記錄下來,在相應(yīng)語言值下面標(biāo)上1,其余的記為0。最后,按照對應(yīng)元素的順序?qū)⒁?guī)則表示出來,當(dāng)有重復(fù)規(guī)則時,用CF值表示,有一個重復(fù)規(guī)則,CF自加0.1。:。[7]＊5k5