神經(jīng)網(wǎng)絡(luò )數據分析方法

神經(jīng)網(wǎng)絡(luò )數據分析方法

　　數據挖掘是適應信息社會(huì )從海量的數據庫中提取信息的需要而產(chǎn)生的一種數據分析方法，下面是小編整理的神經(jīng)網(wǎng)絡(luò )數據分析方法，歡迎查看，希望幫助到大家。

　　神經(jīng)網(wǎng)絡(luò )數據分析方法

　�、� 經(jīng)網(wǎng)絡(luò )方法

　　神經(jīng)網(wǎng)絡(luò )由于本身良好的魯棒性、自組織自適應性、并行處理、分布存儲和高度容錯等特性非常適合解決數據挖掘的問(wèn)題，因此近年來(lái)越來(lái)越受到人們的關(guān)注。典型的神經(jīng)網(wǎng)絡(luò )模型主要分3大類(lèi)：以感知機、bp反向傳播模型、函數型網(wǎng)絡(luò )為代表的，用于分類(lèi)、預測和模式識別的前饋式神經(jīng)網(wǎng)絡(luò )模型；以hopfield的離散模型和連續模型為代表的，分別用于聯(lián)想記憶和優(yōu)化計算的反饋式神經(jīng)網(wǎng)絡(luò )模型；以art模型、koholon模型為代表的，用于聚類(lèi)的自組織映射方法。神經(jīng)網(wǎng)絡(luò )方法的缺點(diǎn)是"黑箱"性，人們難以理解網(wǎng)絡(luò )的學(xué)習和決策過(guò)程。

　�、� 遺傳算法

　　遺傳算法是一種基于生物自然選擇與遺傳機理的隨機搜索算法，是一種仿生全局優(yōu)化方法。遺傳算法具有的隱含并行性、易于和其它模型結合等性質(zhì)使得它在數據挖掘中被加以應用。

　�、� 決策樹(shù)方法

　　決策樹(shù)是一種常用于預測模型的算法，它通過(guò)將大量數據有目的分類(lèi)，從中找到一些有價(jià)值的，潛在的信息。它的主要優(yōu)點(diǎn)是描述簡(jiǎn)單，分類(lèi)速度快，特別適合大規模的數據處理。

　�、� 粗集方法

　　粗集理論是一種研究不精確、不確定知識的數學(xué)工具。粗集方法有幾個(gè)優(yōu)點(diǎn)：不需要給出額外信息；簡(jiǎn)化輸入信息的表達空間；算法簡(jiǎn)單，易于操作。粗集處理的對象是類(lèi)似二維關(guān)系表的信息表。目前成熟的關(guān)系數據庫管理系統和新發(fā)展起來(lái)的數據倉庫管理系統，為粗集的數據挖掘奠定了堅實(shí)的基礎。但粗集的數學(xué)基礎是集合論，難以直接處理連續的屬性。而現實(shí)信息表中連續屬性是普遍存在的。因此連續屬性的離散化是制約粗集理論實(shí)用化的難點(diǎn)。

　�、� 覆蓋正例排斥反例方法

　　它是利用覆蓋所有正例、排斥所有反例的思想來(lái)尋找規則。首先在正例集合中任選一個(gè)種子，到反例集合中逐個(gè)比較。與字段取值構成的選擇子相容則舍去，相反則保留。按此思想循環(huán)所有正例種子，將得到正例的規則。

　�、� 統計分析方法

　　在數據庫字段項之間存在兩種關(guān)系：函數關(guān)系(能用函數公式表示的確定性關(guān)系)和相關(guān)關(guān)系(不能用函數公式表示，但仍是相關(guān)確定性關(guān)系)，對它們的分析可采用統計學(xué)方法，即利用統計學(xué)原理對數據庫中的信息進(jìn)行分析�？蛇M(jìn)行常用統計(求大量數據中的最大值、最小值、總和、平均值等)、回歸分析(用回歸方程來(lái)表示變量間的數量關(guān)系)、相關(guān)分析(用相關(guān)系數來(lái)度量變量間的相關(guān)程度)、差異分析(從樣本統計量的值得出差異來(lái)確定總體參數之間是否存在差異)等。

　�、� 模糊集方法

　　即利用模糊集合理論對實(shí)際問(wèn)題進(jìn)行模糊評判、模糊決策、模糊模式識別和模糊聚類(lèi)分析。系統的復雜性越高，模糊性越強，一般模糊集合理論是用隸屬度來(lái)刻畫(huà)模糊事物的亦此亦彼性的。李德毅等人在傳統模糊理論和概率統計的基礎上，提出了定性定量不確定性轉換模型--云模型，并形成了云理論。

　　神經(jīng)網(wǎng)絡(luò )發(fā)展歷史

　　1943年，心理學(xué)家W.S.McCulloch和數理邏輯學(xué)家W.Pitts建立了神經(jīng)網(wǎng)絡(luò )和數學(xué)模型，稱(chēng)為MP模型。他們通過(guò)MP模型提出了神經(jīng)元的形式化數學(xué)描述和網(wǎng)絡(luò )結構方法，證明了單個(gè)神經(jīng)元能執行邏輯功能，從而開(kāi)創(chuàng )了人工神經(jīng)網(wǎng)絡(luò )研究的時(shí)代。1949年，心理學(xué)家提出了突觸聯(lián)系強度可變的設想。60年代，人工神經(jīng)網(wǎng)絡(luò )的到了進(jìn)一步發(fā)展，更完善的神經(jīng)網(wǎng)絡(luò )模型被提出，其中包括感知器和自適應線(xiàn)性元件等。M.Minsky等仔細分析了以感知器為代表的神經(jīng)網(wǎng)絡(luò )系統的功能及局限后，于1969年出版了《Perceptron》一書(shū)，指出感知器不能解決高階謂詞問(wèn)題。他們的論點(diǎn)極大地影響了神經(jīng)網(wǎng)絡(luò )的研究，加之當時(shí)串行計算機和人工智能所取得的成就，掩蓋了發(fā)展新型計算機和人工智能新途徑的必要性和迫切性，使人工神經(jīng)網(wǎng)絡(luò )的研究處于低潮。在此期間，一些人工神經(jīng)網(wǎng)絡(luò )的研究者仍然致力于這一研究，提出了適應諧振理論（ART網(wǎng)）、自組織映射、認知機網(wǎng)絡(luò )，同時(shí)進(jìn)行了神經(jīng)網(wǎng)絡(luò )數學(xué)理論的研究。以上研究為神經(jīng)網(wǎng)絡(luò )的研究和發(fā)展奠定了基礎。1982年，美國加州工學(xué)院物理學(xué)家J.J.Hopfield提出了Hopfield神經(jīng)網(wǎng)格模型，引入了“計算能量”概念，給出了網(wǎng)絡(luò )穩定性判斷。 1984年，他又提出了連續時(shí)間Hopfield神經(jīng)網(wǎng)絡(luò )模型，為神經(jīng)計算機的研究做了開(kāi)拓性的工作，開(kāi)創(chuàng )了神經(jīng)網(wǎng)絡(luò )用于聯(lián)想記憶和優(yōu)化計算的新途徑，有力地推動(dòng)了神經(jīng)網(wǎng)絡(luò )的研究，1985年，又有學(xué)者提出了波耳茲曼模型，在學(xué)習中采用統計熱力學(xué)模擬退火技術(shù)，保證整個(gè)系統趨于全局穩定點(diǎn)。1986年進(jìn)行認知微觀(guān)結構地研究，提出了并行分布處理的理論。90年代初，又有脈沖耦合神經(jīng)網(wǎng)絡(luò )模型被提出。人工神經(jīng)網(wǎng)絡(luò )的研究受到了各個(gè)發(fā)達國家的重視，美國國會(huì )通過(guò)決議將1990年1月5日開(kāi)始的十年定為“腦的十年”，國際研究組織號召它的成員國將“腦的十年”變?yōu)槿�球行為。在日本的“真�?shí)世界計算（RWC）”項目中，人工智能的研究成了一個(gè)重要的組成部分。

　　神經(jīng)網(wǎng)絡(luò )的應用

　　1、自動(dòng)控制領(lǐng)域

　　主要有系統建模和辨識，參數整定，極點(diǎn)配置，內�？刂�，優(yōu)化設計，預測控制，最優(yōu)控制，濾波與預測容錯控制等。

　　2、處理組合優(yōu)化問(wèn)題

　　成功解決了旅行商問(wèn)題，另外還有最大匹配問(wèn)題，裝箱問(wèn)題和作業(yè)調度問(wèn)題。

　　3、模式識別

　　手寫(xiě)字符，汽車(chē)牌照，指紋和聲音識別，還可用于目標的自動(dòng)識別，目標跟蹤，機器人傳感器圖像識別及地震信號的鑒別。

　　4、圖像處理

　　對圖像進(jìn)行邊緣監測，圖像分割，圖像壓縮和圖像恢復。

　　5、機器人控制

　　對機器人軌道控制，操作機器人眼手系統，用于機械手的故障診斷及排除，智能自適應移動(dòng)機器人的導航，視覺(jué)系統。

　　6、醫療

　　在乳房癌細胞分析，移植次數優(yōu)化，醫院費用節流，醫院質(zhì)量改進(jìn)，疾病診斷模型等方面均有應用。

【神經(jīng)網(wǎng)絡(luò )數據分析方法】相關(guān)文章：

數據分析方法06-26

數據整理分析方法10-22

大數據的分析方法06-25

銷(xiāo)售數據的分析方法07-25

數據分析與辦公軟件：數據分析方法07-10

常用數據分析方法06-22

配件庫存分析數據的方法07-10

銷(xiāo)售數據分析方法07-03

大數據分析方法06-26

傳統數據分析方法09-20