| 【中文题名】 | 人工神经网络在数据挖掘中的应用 |
| 【英文题名】 | |
| 【学科专业】 | 软件工程 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2007-10-16 |
| 【中关键词】 | 数据挖掘,BP神经网络,梯度下降法,雨量预报,, |
| 【英关键词】 | data mining,Nerve network of BP,The steps degree descend, |
| 【分类导航】 | 工业技术>自动化技术、计算机技术>计算技术、计算机技术>计算机软件>程序设计、软件工程>程序设计 |
| 【论文摘要】 |
数据挖掘(Data Mining，DM)技术是伴随信息量的迅速增长而产生的，如何从大量的数据中获取有用的知识并应用于决策领域，已经成为当前信息处理中的一个热门课题。而数据挖掘就是从存放的数据库、数据仓库或其他信息库中的大量数据中挖掘有用的知识的过程。人工智能技术，特别是神经网络技术与数据挖掘的结合为数据挖掘理论和方法的研究指出了一条新道路。
本文在分析数据挖掘各种技术的基础上，着重研究了人工神经网络技术在数据挖掘中的应用。首先介绍了数据挖掘及人工神经网络的一些基本知识、概念描述等，然后对人工神经网络的主要模型及其算法进行了分类探讨，并深入分析了BP算法的网络结构、学习规则、网络设计等。针对标准的BP算法效率较低、容易陷入局部极少值等状况，提出了两种改进的BP算法，如附加动量法、基于Levenberg-Marquardt的BP算法。Levenberg-Marquardt算法是牛顿算法的变形，针对牛顿法中的H=J~T J矩阵并不一定可逆，L-M算法中用可逆矩阵G=H+uI来近似的取代牛顿法中的H。改进的BP算法能较好地提高网络的收敛速度，文章在理论上进行了推证，并利用了实例进行验证，改进的BP算... |
| 【论文题纲】 |
|
摘要 |
3-4 |
|
ABSTRACT |
4-8 |
|
第一章 绪论 |
8-11 |
|
1.1 论文写作的目的和意义 |
8 |
|
1.2 国内外研究现状与水平 |
8-10 |
|
1.2.1 数据挖掘的研究现状与水平 |
8-9 |
|
1.2.2 人工神经网络的研究现状与水平 |
9-10 |
|
1.3 本文论文的主要工作 |
10-11 |
|
第二章 数据挖掘技术分析 |
11-18 |
|
2.1 数据挖掘的定义 |
11-12 |
|
2.2 数据挖掘的任务 |
12-14 |
|
2.3 数据挖掘的常用技术 |
14-16 |
|
2.4 数据挖掘的流程 |
16-18 |
|
第三章 人工神经网络理论 |
18-27 |
|
3.1 神经网络技术发展综述 |
18-19 |
|
3.1.1 发展历程 |
18 |
|
3.1.2 应用领域 |
18-19 |
|
3.2 人工神经网络的理论基础 |
19-27 |
|
3.2.1 神经元模型 |
19-21 |
|
3.2.2 主要的神经网络模型 |
21-25 |
|
3.2.3 神经网络学习过程及算法 |
25-27 |
|
第四章 基于 BP 神经网络数据挖掘的研究 |
27-44 |
|
4.1 BP 网络理论 |
27-31 |
|
4.1.1 BP 网络结构 |
27 |
|
4.1.2 BP 网络的学习规则 |
27-29 |
|
4.1.3 BP 网络设计 |
29-31 |
|
4.2 BP 算法的改进 |
31-39 |
|
4.2.1 BP 算法的存在不足 |
31-32 |
|
4.2.2 BP 算法的启发式改进 |
32-33 |
|
4.2.3 数值优化技术─LMBP 算法 |
33-39 |
|
4.3 标准 BP 算法与改进 BP 算法的比较与测试 |
39-44 |
|
第五章 LMBP 神经网络模型在雨量预报中的应用 |
44-54 |
|
5.1 雨量预报问题的提出与背景 |
44-45 |
|
5.2 样本的选择与数据处理 |
45-46 |
|
5.3 BP 网络的设计 |
46-52 |
|
5.3.1 网络的组建 |
46-48 |
|
5.3.2 网络的训练与应用 |
48-52 |
|
5.4 模型的评介 |
52-54 |
|
第六章 总结与展望 |
54-56 |
|
参考文献 |
56-58 |
|
致谢 |
58-59 |
|
作者介绍 |
59 |
|
| 【DOI】 | LunWen.ID:2.2008.389072 |
