基于知识的神经网络产生式规则的获取方法研究

将连续数据离散化并将已有知识规则的依赖度作为神经网络的初始权值,构建新的网络结构并对其动态训练,给出其具体网络训练算法.从训练后的网络权值中利用正确的分类及该网络结构具有的性质,从而给出其具体的规则抽取算法,并将抽取的具有冗余性的产生式规则利用粗集理论进一步对其精化处理,最后得出最简化的产生式知识规则.充分结合神经网络及粗集理论的优点,探索两者的有机结合无疑对智能信息处理系统的研究具有重要的现实意义.     

基于神经网络与遗传算法的汽轮机数据挖掘研究

针对当前专家系统知识获取瓶颈的难题,提出了基于神经网络与遗传算法的汽轮机数据挖掘方法.将汽轮机故障历史数据首先进行模糊化及离散化处理,接着构造一个多层的前向神经网络,然后通过教师示教的方式训练构造好的神经网络,最后进行基于遗传算法的神经网络优化.以神经网络为知识本体,提出了汽轮机故障诊断分类规则的挖掘算法,实现了基于神经网络与遗传算法的汽轮机数据挖掘和故障诊断仿真系统,其诊断正确率达到了84%.实验表明该方法可行,对汽轮机故障诊断系统的设计具有借鉴意义和深入研究的价值.     

粗糙集神经网络算法在数据挖掘中的研究与应用

神经网络是数据挖掘中最为常用的算法之一.它具有正确率高、抗噪声数据能力强、计算错误率低等优点.但神经网络算法也存在结构相对复杂、训练时间长、计算结果的可解释度比较低等问题.文中采用粗糙集理论对数据进行预处理,使用神经规则进行数据挖掘的新方法,该方法可以在结果精度有限降低的前提下,得到表示简单明确且错误率低的关联规则,同时可以减少网络训练时间,大大改进单独采用神经网络算法给系统带来的缺陷.     

基于Rough Set和neural network组合数据挖掘

提出了一种基于rough set和neural network的数据挖掘新方法。首先利用粗集理论对原始数据进行一致性属性约简，然后使用神经网络对数据进行学习，并同时完成属性的不一致约简，最后再由粗集对神经网络中的知识进行规则抽取。该方法充分融合了粗集理论强大的属性约简、规则生成能力和神经网络优良的分类、容错能力。实验表明，该方法快速有效，生成规则简单准确，具有良好的鲁棒性。     

一种基于神经网络的数据挖掘方法

针对数据挖掘中的分类问题,本文提出了一种利用网络抽取分类规则的方法,为了易于抽取规则,采用遗传算法对神经网络的结构进行了进化,实际运行结果表明了该方法的有效性。     

基于混合数据挖掘方法的配电网故障诊断技术

针对单一数据挖掘方法在配电网故障诊断中存在的一些缺陷,提出一种基于混合数据挖掘方法的新型配电网故障诊断技术。首先利用粗糙集理论对原始故障数据进行约简,形成精简的规则集,然后利用神经网络调用最简规则集进行学习训练,具有学习训练时间短、诊断准确度高等特点.实例验证了该方法的有效性.     

演进模糊神经网络在非监督式异常检测中的应用

目前的入侵检测系统主要采用的是基于特征的误用方法.近几年出现的基于数据挖掘技术的异常检测方法则需要依靠带标识的训练数据来保证检测效果,然而在现实应用中,训练数据往往是难以获取的,另外,基于异常检测的入侵检测系统面临的另外一个难题是用户的正常行为往往是随着时间而改变的,系统必须能够自适应的更新来适应这些改变,辨别出哪些是正常行为的变化哪些是攻击行为.文中提出了一种采用演进的模糊神经网络(EFuNN)的非监督式异常检测新方法,该方法具有独特的优势,它无需大量的带标识的,用于标明各种攻击的训练数据,而只需要寻找和定义正常的分类,因此,它可以在无需先验知识的情况下,在线式的,自适应的发现异常行为,文章最后采用KDD CUP99的测试数据集对该方法进行了评估,证实了该方法在网络异常检测中的有效性.     

基于多尺度CNN特征的国画图像分类算法

为了捕获国画图像的局部表现手法而实现风格分类,提出一种基于多尺度卷积神经网络(Convolutional Neural Network,CNN)特征的国画图像分类算法.该算法先对AlexNet网络模型进行改进,得到精简AlexNet网络模型以降低网络深度与参数规模.然后采用非对称空间分块方法对训练样本进行数据扩充,训练...     

从样本数据中提取模糊规则的算法研究

如何从大量数据中提取或“挖掘”知识是数据挖掘领域中的研究热点之一。利用神经网络在提取规则时的优势从样本数据中提取模糊规则。介绍了一系列算法 ,其中朴素提取规则仅是对样本数据粗糙的挖掘。参照模糊控制中的模糊化思路 ,可在挖掘问题中引入模糊语言变量。根据隶属函数的训练 ,模糊语言的筛选 ,属性间是否存在相关性的判断等问题 ,利用神经网络中的BP算法提出了双向训练算法。在已完成训练的网络进行网络剪裁 ,最后在完成剪裁的网络上 ,先确定候选规则再利用聚类结果从候选规则中提取模糊规则。     

基于多媒体数据库的数据挖掘模型和方法

多媒体挖掘是数据挖掘的一个新兴且富有挑战性的子领域.多媒体挖掘的概念、内容和方法都没有一个统一的定论,多媒体挖掘的体系结构和框架有待于进一步研究.基于此,介绍了一种适合多媒体挖掘的系统模型;阐述了与模型相关的多媒体挖掘方法:多媒体数据立方体、聚类、分类和关联规则;最后给出了采用关联规则数据挖掘方法对多媒体数据库进行数据挖掘的实例.     

自适应子波神经网络数据挖掘方法

分析了人工神经网络所依据的生物学基础,探索改进与完善网络模型的途径,将子波与巳有的神经网络模型相结合,提出一种基于自适应子波神经网络的数据控制方法,并依此来构造数据挖掘过程的机器学习机制,以求提高对问题的处理能力,数据挖掘的仿真实例表明,与一般的人工神经网络相比,用自适应子波神经网络进行数据挖掘不仅是有效的,而且也是可行的。     

CAN2:构件组合式神经网络

探索有广阔应用前景的工程化神经计算技术是促进智能计算技术进展的一种有效途径。为有效解决工程化神经计算面临的难题:神经网络的“黑箱性”,提出了构件组合式神经网络(component assembled neural network,CAN²)。基于CAN²技术,构建了易于理解和复用的数字逻辑神经构件库(digital logic neuro-component library,DLNL)。应用DLNL实现复杂数字逻辑功能、解决任意分类问题,展示CAN²技术的优越性。实验表明,CAN²能有效减少神经网络的“黑箱性”,有较强的可复用性,为神经计算工程化作出了一种有效的尝试。     

用于文本情感极性分析的动态卷积神经网络超限学习算法

为改善动态卷积神经网络在文本情感分类方法中的泛化能力,提出了一种动态卷积超限学习算法.对动态卷积神经网络的输出层加以改进,使用浅层随机神经网络替代全连接层,利用参数随机生成的扰动性能,降低分类端对训练样本的依赖,避免过拟合,提升分类性能.在公共数据集上的实验证明:相对改进前的动态卷积学习算法以及超限学习机,所提出的方法在准确率、F1测度等多个标准指标上均体现了更优的分类性能.     

数据挖掘在网站网页设计优化中的应用

因特网的应用提供了前所未有的数据量 ,因而查找用户所需的信息成为一件困难又麻烦的事情。有效组织数据 ,简化用户的查找是构造网站数据库必须认真考虑的问题 ,但这取决于用户的使用模式。了解用户如何使用网站的各项内容是一个知识发现的问题。而数据挖掘技术的目的就是在大量数据中发现知识 ,它已经成为知识发现的核心技术。从而数据挖掘技术为网络领域提供了一个知识发现的手段。讨论了在网站网页设计优化中使用数据挖掘技术的问题。介绍了一个具体的应用于该方面的数据挖掘工具WDWT的设计与实现。论述了系统的结构 ,各组成部分的功能 ,关联规则的发现算法     

用于地物图像分类的神经网络的构造

对神经网络在模式识别中的应用进行了研究 ,针对军用点状地物识别这一具体问题 ,比较了径向基函数网络和多层感知器神经网络 ,提出了一种径向基函数三阶自相关神经网络 ,设计出一种自适应隐层单元个数选取算法 ,并把构造的分类器用于地物图像的分类实验 ,结果表明该算法能很好的自适应控制网络规模 ,网络模型具有任意平移不变性和很快的训练速度 ,且有良好有容错性和较高的识别率     

基于加权模糊推理网络的文本自动分类方法

针对数据挖掘中的文本自动分类问题,提出了一种基于加权模糊推理网络的分类方法．网络的基本信息处理单元为模糊推理神经元,融合了模糊逻辑能够较完整的表达领域规则和先验知识以及神经网络自适应环境的优点．根据模糊推理规则的量化表示形式和微分方程数值解的动力学思想推导出网络一种新的学习算法．该算法以文本特征谓词的真度作为分类依据,体现了模糊分类的思想以旅游站点网页分类为例验证了该方法的有效性。     

基于单调约束的径向基函数神经网络模型

径向基函数(radial basis function, RBF)神经网络是一种高效的前馈式神经网络。它结构简单,具有良好的泛化能力,已经被广泛的应用于数据分类中。但是对于一些特殊的分类场景,如单调数据场景,神经网络还未充分发挥其潜能。针对此,提出单调径向基函数神经网络(monotonic radial basis function neural network, MC-RBF)。MC-RBF引入Tikhonov 正则化方法确保优化问题解的唯一性与有界性。试验结果表明,在处理具有单调性的数据集时,MC-RBF比原始的RBF神经网络具有更好的分类性能。     

数据挖掘技术在网络教学系统中的实践研究

通过《多媒体技术应用》网络课程开发中数据挖掘技术功能分析,研究了数据挖掘技术的分类方法、聚类方法、关联规则等在网络教学系统中应用,及两者融合的总体设计方案。