神經網絡數據分析方法

數據挖掘是適應信息社會從海量的數據庫中提取信息的需要而產生的一種數據分析方法，下面是小編整理的神經網絡數據分析方法，歡迎查看，希望幫助到大家。

神經網絡數據分析方法

① 經網絡方法

神經網絡由於本身良好的魯棒性、自組織自適應性、並行處理、分佈存儲和高度容錯等特性非常適合解決數據挖掘的問題，因此近年來越來越受到人們的關注。典型的神經網絡模型主要分3大類：以感知機、bp反向傳播模型、函數型網絡爲代表的，用於分類、預測和模式識別的前饋式神經網絡模型；以hopfield的離散模型和連續模型爲代表的，分別用於聯想記憶和優化計算的反饋式神經網絡模型；以art模型、koholon模型爲代表的，用於聚類的自組織映射方法。神經網絡方法的缺點是"黑箱"性，人們難以理解網絡的學習和決策過程。

② 遺傳算法

遺傳算法是一種基於生物自然選擇與遺傳機理的隨機搜索算法，是一種仿生全局優化方法。遺傳算法具有的隱含並行性、易於和其它模型結合等性質使得它在數據挖掘中被加以應用。

③ 決策樹方法

決策樹是一種常用於預測模型的算法，它通過將大量數據有目的分類，從中找到一些有價值的，潛在的信息。它的主要優點是描述簡單，分類速度快，特別適合大規模的數據處理。

④ 粗集方法

粗集理論是一種研究不精確、不確定知識的數學工具。粗集方法有幾個優點：不需要給出額外信息；簡化輸入信息的表達空間；算法簡單，易於操作。粗集處理的對象是類似二維關係表的信息表。目前成熟的關係數據庫管理系統和新發展起來的數據倉庫管理系統，爲粗集的數據挖掘奠定了堅實的基礎。但粗集的數學基礎是集合論，難以直接處理連續的屬性。而現實信息表中連續屬性是普遍存在的。因此連續屬性的離散化是制約粗集理論實用化的難點。

⑤ 覆蓋正例排斥反例方法

它是利用覆蓋所有正例、排斥所有反例的思想來尋找規則。首先在正例集合中任選一個種子，到反例集合中逐個比較。與字段取值構成的選擇子相容則捨去，相反則保留。按此思想循環所有正例種子，將得到正例的規則。

⑥ 統計分析方法

在數據庫字段項之間存在兩種關係：函數關係(能用函數公式表示的確定性關係)和相關關係(不能用函數公式表示，但仍是相關確定性關係)，對它們的分析可採用統計學方法，即利用統計學原理對數據庫中的信息進行分析。可進行常用統計(求大量數據中的最大值、最小值、總和、平均值等)、迴歸分析(用迴歸方程來表示變量間的數量關係)、相關分析(用相關係數來度量變量間的相關程度)、差異分析(從樣本統計量的.值得出差異來確定總體參數之間是否存在差異)等。

⑦ 模糊集方法

即利用模糊集合理論對實際問題進行模糊評判、模糊決策、模糊模式識別和模糊聚類分析。系統的複雜性越高，模糊性越強，一般模糊集合理論是用隸屬度來刻畫模糊事物的亦此亦彼性的。李德毅等人在傳統模糊理論和概率統計的基礎上，提出了定性定量不確定性轉換模型--雲模型，並形成了雲理論。

神經網絡發展歷史

1943年，心理學家lloch和數理邏輯學家s建立了神經網絡和數學模型，稱爲MP模型。他們通過MP模型提出了神經元的形式化數學描述和網絡結構方法，證明了單個神經元能執行邏輯功能，從而開創了人工神經網絡研究的時代。1949年，心理學家提出了突觸聯繫強度可變的設想。60年代，人工神經網絡的到了進一步發展，更完善的神經網絡模型被提出，其中包括感知器和自適應線性元件等。ky等仔細分析了以感知器爲代表的神經網絡系統的功能及侷限後，於1969年出版了《Perceptron》一書，指出感知器不能解決高階謂詞問題。他們的論點極大地影響了神經網絡的研究，加之當時串行計算機和人工智能所取得的成就，掩蓋了發展新型計算機和人工智能新途徑的必要性和迫切性，使人工神經網絡的研究處於低潮。在此期間，一些人工神經網絡的研究者仍然致力於這一研究，提出了適應諧振理論（ART網）、自組織映射、認知機網絡，同時進行了神經網絡數學理論的研究。以上研究爲神經網絡的研究和發展奠定了基礎。1982年，美國加州工學院物理學家ield提出了Hopfield神經網格模型，引入了“計算能量”概念，給出了網絡穩定性判斷。 1984年，他又提出了連續時間Hopfield神經網絡模型，爲神經計算機的研究做了開拓性的工作，開創了神經網絡用於聯想記憶和優化計算的新途徑，有力地推動了神經網絡的研究，1985年，又有學者提出了波耳茲曼模型，在學習中採用統計熱力學模擬退火技術，保證整個系統趨於全局穩定點。1986年進行認知微觀結構地研究，提出了並行分佈處理的理論。90年代初，又有脈衝耦合神經網絡模型被提出。人工神經網絡的研究受到了各個發達國家的重視，美國國會通過決議將1990年1月5日開始的十年定爲“腦的十年”，國際研究組織號召它的成員國將“腦的十年”變爲全球行爲。在日本的“真實世界計算（RWC）”項目中，人工智能的研究成了一個重要的組成部分。

神經網絡的應用

1、自動控制領域

主要有系統建模和辨識，參數整定，極點配置，內模控制，優化設計，預測控制，最優控制，濾波與預測容錯控制等。

2、處理組合優化問題

成功解決了旅行商問題，另外還有最大匹配問題，裝箱問題和作業調度問題。

3、模式識別

手寫字符，汽車牌照，指紋和聲音識別，還可用於目標的自動識別，目標跟蹤，機器人傳感器圖像識別及地震信號的鑑別。

4、圖像處理

對圖像進行邊緣監測，圖像分割，圖像壓縮和圖像恢復。

5、機器人控制

對機器人軌道控制，操作機器人眼手系統，用於機械手的故障診斷及排除，智能自適應移動機器人的導航，視覺系統。

6、醫療

在乳房癌細胞分析，移植次數優化，醫院費用節流，醫院質量改進，疾病診斷模型等方面均有應用。