| 【中文题名】 | 基于神经网络的数据挖掘方法研究 |
| 【英文题名】 | Research on Data Mining Technique Using Artificial Neural Networks |
| 【学科专业】 | 计算机应用技术 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2007-9-10 |
| 【中关键词】 | 数据挖掘,分类,规则抽取,神经网络,分解型算法, |
| 【英关键词】 | data mining,classification,rule extracting,neural network,decompositional algorithm, |
| 【分类导航】 | 工业技术>自动化技术、计算机技术>自动化基础理论>人工智能理论>人工神经网络与计算> |
| 【论文摘要】 |
从大量的数据中提取和挖掘未知的、有效的和可操作的知识就是数据挖掘，它是知识发现过程中的重要步骤。数据挖掘能够发现未知的知识，区别于那些先提出假设再进行验证的数据处理方法。挖掘结果的有效性是指数据挖掘的结果是正确、合理的；挖掘结果的可操作性是指挖掘的知识能够为决策提供支持。数据挖掘越来越多地受到各界的重视并被广泛应用于各个领域。
分类技术是数据挖掘中最有应用价值的技术之一。数据分类就是在大量数据中找出一组对象的共同特征，并将数据按照分类模型划分成不同的类的过程。该模型能够把数据库中的元组映射到给定类别集中的某一个。数据分类一般分两步，建立数据模型与使用模型进行分类。在使用模型进行分类前应首先评估该模型即分类器的预测准确率；如果准确率可以接受，就可以使用类标号对未知的数据元组或对象进行分类。
人工神经网络是在现代神经生物学研究成果的基础上发展起来的一种模拟人脑信息处理机制的网络系统，它不但具有处理数值数据的一般计算能力，而且还具有处理知识的思维、学习、记忆能力。基于神经网络的数据挖掘过程由数据准备、规则提取和规则评估三个阶段组成。本文研究了教学型和分解型规则抽取算法，在分析了RX分解型算... |
| 【论文题纲】 |
|
摘要 |
4-5 |
|
Abstract |
5-9 |
|
第1章 绪论 |
9-14 |
|
1.1 引言 |
9-10 |
|
1.2 相关文献综述 |
10-12 |
|
1.3 论文的内容和组织 |
12-13 |
|
1.4 本章小结 |
13-14 |
|
第2章 数据挖掘技术概述 |
14-22 |
|
2.1 数据挖掘的提出 |
14 |
|
2.2 数据挖掘与传统分析方法的区别 |
14 |
|
2.3 相关概念 |
14-17 |
|
2.3.1 知识发现 |
14-16 |
|
2.3.2 数据仓库 |
16-17 |
|
2.4 数据挖掘的任务 |
17-20 |
|
2.4.1 关联规则挖掘 |
17-18 |
|
2.4.2 分类与预测 |
18-19 |
|
2.4.3 概念描述 |
19 |
|
2.4.4 聚类 |
19-20 |
|
2.4.5 孤立点分析 |
20 |
|
2.5 数据挖掘的应用 |
20-21 |
|
2.6 本章小结 |
21-22 |
|
第3章 分类分析 |
22-32 |
|
3.1 分类及分类器 |
22 |
|
3.2 分类分析的主要步骤 |
22-23 |
|
3.3 分类分析的主要方法 |
23-30 |
|
3.3.1 决策树 |
23-26 |
|
3.3.2 基于规则的分类器 |
26-27 |
|
3.3.3 k—最近邻分类器 |
27-29 |
|
3.3.4 人工神经网络 |
29-30 |
|
3.4 分类面临的主要问题 |
30-31 |
|
3.5 本章小结 |
31-32 |
|
第4章 人工神经网络 |
32-54 |
|
4.1 人工神经网络的发展及分类 |
32-35 |
|
4.2 前馈型神经网络 |
35-47 |
|
4.2.1 BP神经网络 |
35-41 |
|
4.2.2 RBF径向基函数神经网络 |
41-47 |
|
4.3 基于神经网络的数据挖掘过程 |
47-53 |
|
4.3.1 数据准备 |
47-52 |
|
4.3.2 规则提取 |
52-53 |
|
4.3.3 规则评估 |
53 |
|
4.4 本章小结 |
53-54 |
|
第5章 神经网络分类数据挖掘算法研究及改进 |
54-69 |
|
5.1 算法分类 |
54 |
|
5.2 教学型算法 |
54-56 |
|
5.2.1 SD算法简介 |
54-55 |
|
5.2.2 IA算法描述 |
55-56 |
|
5.2.3 Rule-extraction-as-learning算法描述 |
56 |
|
5.3 分解型算法RX |
56-60 |
|
5.3.1 算法描述 |
57-58 |
|
5.3.2 神经网络的裁剪 |
58-59 |
|
5.3.3 规则提取算法 |
59-60 |
|
5.4 对RX算法的改进 |
60-68 |
|
5.4.1 基本思想 |
60-61 |
|
5.4.2 基于JOONE的RBF分类网络架构实例 |
61-68 |
|
5.5 本章小结 |
68-69 |
|
第6章 总结与展望 |
69-71 |
|
6.1 总结 |
69 |
|
6.2 展望 |
69-71 |
|
参考文献 |
71-74 |
|
致谢 |
74-75 |
|
发表论文和参加科研情况 |
75 |
|
| 【DOI】 | LunWen.ID:2.2008.388927 |
