2011.18电脑编程技巧与维护1引言近年来,随着网络和数据库技术的发展,大规模的数据出现在人们的日常生活之中。对于这些数据为人们进行管理决策都十分有用,为了从这些数据集中发现对人们有帮助的信息,就诞生了数据挖掘技术。2背景技术2.1数据挖掘数据挖掘(DataMiningtechnology这一术语最早出现于1989年,在此之后,该术语的定义几经变动,引用U.Fayyad等对数据挖掘的定义[1]:数据挖掘是从大量的数据中挖掘出有效的、新颖的、具有潜在价值的可理解的模式非平凡过程。数据挖掘的主要作用就是对大型数据中的海量业务数据进行数据预处理、数据分析和模型化处理,以便从中挖掘出能够辅助决策的隐藏的数据信息,这些有用的数据信息在数据挖掘中就用隐含的数据模式表现出来,这些数据模式便于人们理解和观察,基于领域知识可以获得决策分析意见和结论[2]。数据挖掘所涉及的学科广泛,挖掘方法种类也是多种多样,他们的主要任务主要包括以下4种,这也是数据挖掘的最重要的4个任务:(1分类(Classification。数据挖掘中分类的任务主要是训练分类函数或者分类模型,也成为分类学习器,该学习器能够按照预定义的模型把数据库中的数据项映射指定的类别中,也成为有监督学习任务。(2汇总(Summarization。该任务的主要目的是对数据进行提取,给出一个比较集中的描述形式,数据挖掘中从数据泛化的角度研究数据汇总,也是把数据从较低层次抽象到高层的过程。(3聚类(Clustering。聚类任务是把一个个的数据对象按照类内高度相似类间高度相异的方法把数据组织到一块,实现“物以类聚”的目的,便于人们观察理解。(4关联规则(AssociationRule。数据挖掘的关联规则的目的是根据数据发生的时间,序列等信息确定关联的数据。实现数据挖掘的方法有许多,下面就介绍一下神经网络在数据挖掘中的应用。2.2神经网络原理神经网络(NeuralNetwork的原理是模拟动物神经网络行为特征,通过调整网络内部节点的连接权值,并行处理分布式信息。为解决具有上百个甚至更多的参数的复杂问题而提出了神经网络模型,该模型在众多的方法中是相对简单和有效的。神经网络通常用于解决分类和回归两类问题,神经网络模型的结构主要包括输入层、输出层和隐含层,其中输入层中的节点代表一个个预测变量,输出层中的节点代表目标变量,每一层的节点都允许有多个,位于输入层和输出层之间的是隐含层,神经网络模型的复杂度主要取决于隐含层的层数和节点数,图1表示神经网络模型图。从图1可以得知,节点X1,X2,X3等代表神经元的输入,它既可以是来自神经网络的信息,也可以是另一个神经元的输出,W1,W2,⋯⋯,Wn是神经元的权值,表示神经元的连接强度,由神经网络的学习过程决定;其中输入对应于对每个训练样本的各属性取值,输入同时赋给第1层(输入层单元,这些单元的输出结合相应的权重,通过赋给第2层(隐含层单元,隐含层的带权输出又作为输入再赋给另一隐含层等,最后的隐含层节点带权输出赋给输出层单元,该层单元基于BP神经网络算法的数据挖掘方法研究蒋菱,叶明亮(四川大学计算机学院,成都610207摘要:详细介绍了数据挖掘技术的相关概念、任务以及神经网络原理,指出了传统的BP算法在数据挖掘过程中的不足之处,提出了一种变异的BP神经网络算法,大大提高了BP神经网路算法的收敛速度。关键词:数据挖掘;神经网络;BP算法StudyofDataMiningMethodBasedonBPNeuralNetworkAlgorithmJIANGLing,YEMingliang(CollegeofComputerScience,SichuanUniversity,Chengdu610207Abstract:Thispaperdescribesindetailtheconceptsofdataminingtechnology,themissionandprinciplesofneuralnet-works,thenintroducesthetraditionalBPalgorithm,foundthatthetraditionalBPalgorithmindataminingprocessinadequa-cies,thispresentsavariationBPneuralnetworkalgorithm,whichgreatlyimprovedtherestraintofBPneuralnetworkalgo.Keywords:datamining;neuralnetwork;BPalgorithm作者简介:蒋菱(1989-,本科;叶明亮(1989-,本科。收稿日期:2011-07-20图1神经网络模型输入层隐含层输出层44DATABASEANDINFORMATIONMANAGEMENT数据库与信息管理最终给出相应样本的预测输出。2.3BP算法BP神经网络[3]是目前应用最广泛的神经...
