基于GMDH的自組織數(shù)據(jù)挖掘算法研究.pdf

1、數(shù)據(jù)挖掘是從大量、不完全、有噪聲的數(shù)據(jù)中提取隱含于其中的并不為人們所知，但又是潛在有用的信息和知識的過程。目前大部分的數(shù)據(jù)挖掘方法往往對使用者具有很高的要求，而引入人為因素往往會影響建模的質(zhì)量。自組織數(shù)據(jù)挖掘方法以數(shù)據(jù)分組處理方法(Group Method of Data Handling，GMDH)為核心，使用演化(交叉、變異和選擇)的原則實現(xiàn)模型結(jié)構(gòu)綜合和模型確認的自動過程，所得模型在記憶能力和泛化能力間達到最佳的平衡。自組織數(shù)據(jù)挖

2、掘方法針對不同的應(yīng)用問題設(shè)計了一系列算法，其中最具普適性、應(yīng)用最為廣泛的是GMDH多層建模算法。本文針對GMDH多層建模算法的以下兩個方面問題進行了研究： (1)對GMDH多層建模算法中部分多項式(參考函數(shù))的改進。原有的部分多項式求解算法使得模型復(fù)雜度增長過快，很多潛在的能夠更好的描述未知系統(tǒng)的模型將被忽略；另外由于部分多項式的求解基于回歸分析，因此回歸分析中多重共線性的問題也難以避免。本文從分析快速遞歸算法(Fast Rec

3、ursive Algorithm，F(xiàn)RA)中潛在的多重共線性問題入手，提出一種回歸項線性相關(guān)的檢測算法，改進后的快速遞歸算法被用于GMDH多層建模算法的部分多項式系數(shù)估計，新算法建立的模型具有更強的泛化能力且結(jié)構(gòu)更加簡單。與同類型的改進算法相比，該算法具有更小的計算開銷。 (2)提出一種選擇性GMDH網(wǎng)絡(luò)集成學(xué)習(xí)算法。GMDH多層建模算法能夠在對訓(xùn)練樣本進行劃分的基礎(chǔ)上建立在記憶能力和泛化能力達到最佳平衡的最優(yōu)復(fù)雜度模型，但不同