一种基于税务系统数据仓库的模糊数据挖掘算法的研究

文章简要的叙述了数据仓库的概念、数据仓库结构、数据挖掘的定义和方法,并提出了一般的基于数据仓库的数据挖掘系统的结构。并针对税务系统的数据仓库提出了一种模糊数据挖掘算法。     

一种基于神经网络的数据挖掘算法

随着数据应用的深入,各类数据挖掘方法越来越重要.神经网络理论模拟人类的大脑神经处理信息的方式,通过信息样本对神经网络进行学习和训练,使其具有人脑的记忆和学习能力.研究基于此理论,给出了一种基于神经网络算法的服装销售预测实例.     

一种快速模糊ARTMAP神经网络算法

模糊ARTMAP神经网络学习算法可以动态高效地检测新闻文本中的模式,但随着网络大小的增加收敛速度变慢,计算复杂,鲁棒性不高。因此提出了一种快速模糊ARTMAP神经网络算法。该算法主要提出了新的匹配函数和激励函数,不需要规范化和补码计算步骤,去除了匹配跟踪过程,当发生未遂节点为赢得竞争的节点时,直接建立一个新的模板层的类标识。算法的革新之处在与既能动态维持聚类结构同时又减少了算法的复杂性。实验结果证实了该算法在合理时间内产生了高质量的模式发现。     

基于神经网络的模糊决策树改进算法

传统决策树通过对特征空间的递归划分寻找决策边界,给出特征空间的“硬”划分。但对于处理大数据和复杂模式问题时,这种精确决策边界降低了决策树的泛化能力。为了让决策树算法获得对不精确知识的自动获取,把模糊理论引进了决策树,并在建树过程中,引入神经网络作为决策树叶节点,提出了一种基于神经网络的模糊决策树改进算法。在神经网络模糊决策树中,分类器学习包含两个阶段：第一阶段采用不确定性降低的启发式算法对大数据进行划分,直到节点划分能力低于真实度阈值[ε]停止模糊决策树的增长;第二阶段对该模糊决策树叶节点利用神经网络做具有泛化能力的分类。实验结果表明,相较于传统的分类学习算法,该算法准确率高,对识别大数据和复杂模式的分类问题能够通过结构自适应确定决策树规模。     

基于改进神经网络的数据挖掘

本文提出了基于改进的模糊逻辑神经元网络算法的FCM算法,在随机蛤出的初始聚类中心的试验中具有很好的性能。     

一种新型的动态模糊神经网络算法

为了解决模糊系统中的知识抽取问题和避免初值选择的任意性,提出一种新型的动态模糊神经网络算法.运用规则产生准则时,考虑输出误差和可容纳边界的有效半径这2个重要因素;通过分级学习法,大大提高学习的有效性,加之参数的调整只限于线性参数,没有迭代学习,因而学习速度很快,这使算法应用于实时学习成为可能;非线性参数是由训练样本和启发式方法直接决定的.利用D-FNN来进行Mackey-Glass混沌时间序列预测实验.仿真结果表明D-FNN算法的有效性和实用性.     

一种新型的动态模糊神经网络算法

为了解决模糊系统中的知识抽取问题和避免初值选择的任意性,提出一种新型的动态模糊神经网络算法运用规则产生准则时,考虑输出误差和可容纳边界的有效半径这2个重要因素;通过分级学习法,大大提高学习的有效性,加之参数的调整只限于线性参数,没有迭代学习,因而学习速度很快,这使算法应用于实时学习成为可能;非线性参数是由训练样本和启发式方法直接决定的.利用D—FNN来进行Mackey—GIkiSS混沌时间序列预测实验。仿真结果表明D—FNN算法的有效性和实用性.     

一种基于模糊规则的神经网络结构及其学习算法研究

文章提出了一种基于模糊规则的神经网络结构,并用形式化语言进行描述。基于模糊规则的神经网络由输入层、规则层和输出层三层网络结构组成,以隶属度函数（语义值）作为网络权值,输入值沿权值的传播即进行隶属度计算。在充分分析三角形函数特征的基础上,应用启发式方法,导出了FRBNN网络的学习算法。最后应用FRBNN评价船舶碰撞危险度,表明FRBNN兼备神经网络和模糊推理系统的优点。     

一种基于神经网络的模糊方法研究

模糊系统设计中,模糊规则的建立是系统设计的瓶颈问题。针对这一问题,该文提出了一种用于监督神经网络自动生成模糊规则并实现模糊推理的方法。网络训练分为两个阶段,首先是结构学习,确定系统的规则总数和前提的有关参数;其次是参数学习,即调整权值,使系统输出接近理想输出。仿真实例证明使用该方法建立模糊系统具有较好的效果。     

基于特征模糊贴近的数据库约束挖掘算法

传统的关联规则算法,只考虑了类内的关联性,忽略了类间的相似性特征、高开销的分类过程、耗时的关联过程。提出了数据内间特征模糊贴近分类的数据库约束挖掘算法,其通过数据模糊集间的贴近度描述数据间的一致度,在传统的神经网络挖掘技术中,引入数据融合技术,对类间数据进行分类处理后,对原始挖掘数据的动态特征进行分析获取新的挖掘模型,以在大规模数据库中准确查询目标数据。仿真实验结果表明,算法挖掘稀疏数据集和密集数据集的效率都优于传统的关联规则算法,极大提高了数据库的挖掘效率。     

基于改进神经网络的WEB数据挖掘研究

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.研究了分解型规则抽取算法,在分析了分解型算法后,利用关联法对输入输出神经元进行关联计算,按关联度排完序之后,用神经网络进行结点选择,可以大大减少神经网络的输入结点个数数据集中数据的验证,表明了方法的有效性.     

基于数据并行的神经网络预测模型

分析了数据挖掘领域面临的性能问题(主要包括算法的有效性、可伸缩性和并行性);根据数据并行的思想,提出了在时序预测中并行训练神经网络的模型,以提高训练速度。这一模型具有良好的可扩展性,能适应大训练集的情况,是一种粗粒度的并行,且易于在集群系统这样的并行环境下进行数据挖掘。同时,描述了相关算法,并对训练速度进行了测试。     

基于神经网络的数据挖掘研究

尽管神经网络具有结构复杂、网络训练时间长、结果表示不容易理解等缺陷,但其对噪声数据的高承受能力和低错误率的优点是其他方法所不及的,并在数据挖掘所采用的方法中具有优势。该文对基于神经网络的数据挖掘进行了详细的研究。     

基于数据挖掘的电网高峰负荷预测系统

分析电网高峰负荷运行规律,以数据挖掘为核心技术,搭建数据仓库平台,在此基础上给出一种混合策略的神经网络的高峰负简预测系统,该系统将模糊聚类、L-M神经网络等综合技术融合一体,可以从海量负荷数据中挖掘出有用知识为电网高峰负荷预测服务。     

模糊神经网络在纳税信用评估中的应用研究

由于纳税评估过程中存在不精确、模糊以及冗余信息,传统评估模型多数采用经验法和比较法,缺乏科学性和公正性,评估结果正确率低。为了提高纳税信用等级评估的正确率,提出了一种采用模糊神经网络的纳税信用等级评估模型。首先利用模糊逻辑推理对纳税评估过程中的不精确、模糊的信息进行有效的处理,然后利用训练数据对神经网络模型进行训练学习,获得纳税评估指标和信用等级间的评估模型,最后通过利用测试集对模型进行验证,结果表明,模糊神经网络方法提高了纳税信用等级评估的正确率,为税收信用评估提供有效的依据。     

一种基于模糊逻辑规则的数据挖掘方法

分析了模糊逻辑规则的形成过程，介绍了模糊推理方法，提出了基于模糊规则化的数据挖掘方法。由分析可以看出，基于模糊逻辑规则的方法能从大量的数据集合中有效地发现有价值但不明显的信息并挖掘出有价值的信息。例如，在银行借贷中，根据数据库中的数据对借贷方进行评估，挖掘出影响贷款安全的有关单位信息等。     

一种基于模糊集的时间序列挖掘算法的设计与实现

针对商业销售的智能分析需求,文章提出了一种基于模糊集合的数据挖掘时间序列模式算法。该算法已得到有效的应用,对企业的经营决策有一定的参考价值。     

模糊神经网络在商业规则数据挖掘中的应用*

利用模糊系统对规则提取的优势弥补了神经网络可解释性差的缺点,并使用模糊神经网络来进行商业规则数据挖掘。通过建立模糊神经网络对训练好的网络进行剪裁,最后提取模糊商业规则,说明了商业规则数据挖掘的全过程,并对其中重点算法进行了描述和改进。给出的实例证明了该方法的有效性。