基于神經網絡的動態(tài)數據挖掘研究.pdf

1、數據挖掘目前已廣泛應用于現代社會的各行各業(yè),但是大多都是針對歷史數據進行分析與處理,人們追求的不再只是發(fā)現歷史數據中隱藏的規(guī)律來解決實際問題,而是想在競爭激烈的社會中即時獲取有用的信息,這對于傳統(tǒng)的針對靜態(tài)的歷史數據進行挖掘的靜態(tài)數據挖掘是不能很好實現這種需求的;設計一種針對當前數據動態(tài)分析處理的一種信息處理技術具有很大的現實意義。數據預測是數據挖掘的一個主要研究方向之一,而多維方面的預測問題是目前亟待解決的關鍵問題,在一定程度上多維預

2、測還成了預測方面的一個瓶頸;結合動態(tài)數據挖掘來研究多維數據的動態(tài)預測問題在現實應用中具有廣闊的實踐意義。動態(tài)數據挖掘不僅僅限于數據預測方面,對其應用領域探討也具有很大的現實意義。本文深入分析了以往數據處理技術的發(fā)展現狀之后給出了一種在動態(tài)數據源運行過程中結合歷史數據、當前數據以及即將到來的數據進行數據分析與處理的動態(tài)數據挖掘技術:運用滑動窗口技術動態(tài)的獲取數據,通過動態(tài)數據窗口動態(tài)處理數據,運用未來數據測試動態(tài)數據挖掘的性能。人工神經網

3、絡是模擬人腦工作的網絡模型,具有強大的并行處理能力與記憶功能,已廣泛應用于各行各業(yè);本文主要是結合神經網絡技術來研究解決實際的多維動態(tài)數據預測問題,取得了較大的突破:設計出了基于自回歸神經網絡的單輸入單步、單輸入多步以及多輸入多步動態(tài)數據預測模型;模型中各隱層節(jié)點采用具有延遲一步的自反饋,從而使得網絡具有很好的記憶功能;各屬性隱層節(jié)點間通過延遲一步的反饋連接來模擬屬性之間的關聯關系,從而使得模型具有很好的穩(wěn)定性與實用性。本文對改進BP算

4、法進行了分析,充分考慮誤差函數、活化函數以及學習率對算法性能的影響,結合預測模型的特點提出了適合于預測模型的改進融合BP算法。通過Matlab仿真實驗驗證了預測模型的性能,實驗表明三種多維動態(tài)預測模型預測效果較好:在多維曲線預測方面效果特別好,直線預測誤差為零;模型穩(wěn)定性好,預測結果幾乎不受初始權值影響。本文還從理論上探討了動態(tài)數據挖掘在專家系統(tǒng)的知識庫自動更新方面的應用,給出了在專家系統(tǒng)中結合動態(tài)數據挖掘實現知識即時更新的一種理論框架