基于遗传BP神经网络的数据挖掘技术

数据挖掘技术是从大量数据中挖掘知识的有效的工具。BP神经网络和遗传算法是运用在数据挖掘中的两种新兴算法,神经网络的结构复杂、网络训练时间长、收敛速度慢,但其具有较高的正确率,把BP神经网络与遗传算法相结合,可以提高收敛速度,并在有限步内达到较高的精度要求,因此本文提出了一种遗传算法和BP神经网络相互结合的新算法,并把算法运用在数据挖掘技术中。     

神经网络算法在试题库中的应用

文章讨论了基于神经网络的试题抽取算法,通过对数据挖掘中最常见的一种神经网络,即BP网络的分析,介绍了这种神经网络的算法思想,设计了用于试题抽取的BP算法实现过程。     

机器学习算法在数据挖掘中的应用

笔者围绕机器学习算法在数据挖掘中的应用展开探讨,首先阐述了机器学习及数据挖掘技术,进而分析了朴素贝叶斯算法、K-近邻法等相关原理,最后对机器学习算法在数据挖掘中的应用,如以机器学习算法为基础的GSM网络在定位中的应用、在改进BP神经网络中的应用等进行分析,希望能够为提高数据挖掘的整体性能提供参考。     

基于粗糙集理论和BP神经网络的数据挖掘算法

根据数据挖掘中粗糙集理论和BP神经网络各自的优势和存在的问题,提出了一种将粗糙集理论和BP神经网络理论结合在一起的算法。该算法利用粗糙集对属性的归约功能将数据仓库中的数据进行归约,并将归约后的数据作为训练数据提供给BP神经网络。通过粗糙集归约,提高了训练数据表达的清晰度,也减小了BP神经网络的规模,同时利用BP神经网络又克服了粗糙集对噪声数据敏感的影响。文中提出了代价函数,解决了训练数据与网络精度的问题,也提供了由粗糙集归约向BP神经网络训练转变的依据。     

改进的遗传BP神经网络数据挖掘算法及应用

介绍了数据挖掘的定义和常用方法,研究了基于遗传BP神经网络的数据挖掘算法,并对其交叉算子进行了改进,提高算法训练速度。实验结果表明,将该方法应用于油气识别中,效果良好,具有一定的实际应用价值。     

基于数据挖掘的销售预测研究

在研究数据挖掘预测算法时间序列AR模型的基础上,提出了将影响销售预测的因素与时间序列预测结合在一起的BP神经网络销售预测模型,该模型通过数据仓库获取销售历史数据.实例验证表明:BP神经网络销售预测模型比时闻序列AR销售预测模型精度高.     

人工神经网络在海关风险管理中的应用研究

针对目前我国海关企业风险评估过程中存在的问题,主要介绍了基于BP神经网络的数据挖掘方法,并开创性地将一种基于Levenberg-Marquardt学习算法的BP神经网络引入到海关企业风险评估工作中来。通过企业风险评估模型的实际运行,证明了该改进算法的有效性,同时也有力地提高了海关的企业风险监控水平。     

基于模糊模式识别的超圆神经网络模型

模糊模式识别是模糊集理论研究中的重要方向,神经网络是数据挖掘中的一种常用方法。超圆神经网络的学习时间和网络模型理解性都优于BP神经网络,它能以较少的数据量蕴涵同样的信息量。文章依据超圆神经网络模型思想,提出了一种新的基于模糊模式识别的神经网络模型算法,该算法继承了超圆神经网络的优点,能有效地对样本进行学习。     

BP算法在数据挖掘中应用研究

探讨了数据挖掘数据技术的准备工作,由于神经网络方法的特殊性,数据准备更显得尤为重要.对标准的BP算法进行了研究,针对现有人工神经网络中BP算法效率较低、容易陷入局部极小等存在的问题,提出了一种改进的BP算法,并针对这种算法进行了"与"和"异或"问题中的分析测试.测试结果表明了改进的BP算法缩短了学习时间,提高了学习效率,并在一定程度上避免了学习中的局部极小问题.     

数据挖掘中基于交叉覆盖神经网络的分类分析

给出在数据挖掘中应用交叉覆盖神经网络进行分类分析的方法,它克服了传统神经网络如BP算法需要多次迭代及存在局部极小等缺点,计算速度快,能很好的适应高维数据的分类问题.文中给出了一个真实数据的测试例子.     

一种基于模糊聚类的组合BP网络挖掘方法

介绍了一种基于模糊聚类的组合BP神经网络的数据挖掘方法,并给出了该方法的模型和启发式BP改进算法Heuristicbp,且将其应用于数学函数值预测中,取得了学习时间短和预测精度高的效果,实验证明该方法是有效的,具有较高的实用性。     

基于BP神经网络的入侵检测算法

为解决传统入侵检测算法存在的高漏报率及高误报率问题,结合BP神经网络算法的优点,提出一种采用遗传算法来优化BP神经网络算法的入侵检测算法。该算法通过遗传算法找到BP神经网络的最适合权值,采用优化的BP神经网络对网络入侵数据进行学习和检测,解决直接使用BP学习造成的训练样本数量过大而难以收敛的问题,同时缩短样本训练时间,提高BP神经网络分类正确率。仿真实验结果表明,与传统网络入侵检测算法相比,该算法的训练样本时间更短,具有较好的识别率和检测率。     

基于Adaboost算法和BP神经网络的税收预测

针对传统税收预测模型精度较低的问题,提出一种将Adaboost算法和BP神经网络相结合进行税收预测的方法。该方法首先对历年税收数据进行预处理并初始化测试数据分布权值;然后初始化BP神经网络权值和阈值,并将BP神经网络作为弱预测器对税收数据进行反复训练和调整权值;最后使用Adaboost算法将得到的多个BP神经网络弱预测器组成新的强预测器并进行预测。通过对我国1990—2010年税收数据进行仿真实验,结果表明该方法相比传统BP网络预测,平均误差相对值从0.50%减少到0.18%,有效地降低了单个BP陷入局部极小的影响,提高了网络预测精度。     

粒子群算法优化BP神经网络的粉尘浓度预测

对综采工作面粉尘浓度预测的方法是建立BP神经网络预测模型.为了提高算法的拟合能力及预测的准确度,使用粒子群算法对目标函数进行改进,即将粒子群算法寻到的最优权值和阈值应用于神经网络预测模型求综采工作面粉尘浓度.比较分析新的预测模型与常用的灰色模型以及标准的BP神经网络算法,结果表明粒子群优化的神经网络算法的拟合能力和预测的准确率显著提高.     

基于一维卷积神经网络深度学习的工业过程故障检测

针对化工过程的非线性和动态性,以TE过程为背景,应用深度学习中的一维卷积神经网络算法对TE过程进行故障检测,解决了BP神经网络算法用于故障检测时测试识别率低的问题。用训练数据集分别对BP神经网络模型和一维卷积神经网络模型进行训练,将测试数据集输入已经训练好的神经网络,最后统计出了BP神经网络模型和卷积神经网络模型对故障的识别率。仿真结果表明BP神经网络和卷积神经网络对故障的检测具有较好的效果,但BP神经网络算法收敛速度慢,很容易就陷入局部最小值,从而会导致整体的检测性能下降,而卷积神经网络构建出的一维卷积模型能很好地解决存在的问题,通过比较充分体现了卷积神经网络在故障检测方面的优越性。     

改进的自适应遗传算法在人体行为识别中的应用

为提高传统自适应遗传算法优化的BP神经网络对人体行为的识别率,提出了一种改进的自适应遗传算法优化的BP神经网络预测方法。该算法使用新的动态变化的交叉和变异分布指数计算公式来优化传统的二进制交叉和多项式变异操作,根据种群集中和分散的剧烈程度自适应地增大或减小交叉和变异的概率,极大地弥补了传统的交叉和变异操作所造成的破坏优良个体的缺陷。通过搭建遗传算法优化的BP神经网络模型,对3000组不同人体行为的加速度数据进行测试,实验结果显示,经过改进后,算法的准确率从92.31%提升到了96.47%。     

贝叶斯神经网络在股票时间序列预测中的应用

针对BP神经网络初始权值随机获取所导致的易陷入局部最优的问题,采用贝叶斯正则化（Bayesian Regularization,BR）算法改进传统BP神经网络模型。该算法在保证网络误差最小的前提下,通过历史数据的先验概率调整BP模型的适应度函数,使网络的泛化能力得到提升。在股票时间序列预测的实证性研究中表明,比传统BP模型在预测精度上提高42.81%。     

遗传算法改进BP网络对织物配色的优化研究

深入研究了传统BP网络结构的优化方法,对近年来各学者所提出的新的优化方法进行了分析,并结合织物染色配色的应用领域,深入分析和改进了遗传算法对BP网络进行结构优化的思想,在训练BP网络的同时,利用遗传算法优化BP网络结构,提高了算法效率.最后通过织物染色配色仿真的计算与实验,显示了该算法的有效性.