数据挖掘--神经网络

数据挖掘原理与SPSS Clementine应用宝典

元昌安 主编 邓 松 李文敬

刘海涛

编著

电子工业出版社

第十二章 神经网络

本章内容1. 神经网络基本原理 2. BP神经网络 3. RBF神经网络 4. Hopfield神经网络 5. SOFM神经网络 6. 神经网络在数据挖掘中的应用

神经网络基本原理-基本分类按五大个原则对神经网络进行归类： 按照网络的拓扑结构区分，有前向网络和反馈网 络； 按照学习方式区分，则分为有教师学习和无教师 学习网络； 按照网络性能区分，则有连续型和离散性网络， 随机型和确定型网络； 按照突触性质区分则有一阶线性关联网络和高阶 非线性关联网络； 按对生物神经系统的层次模拟区分，则有神经元 层次模型，组合式模型，网络层次模型，神经系 统层次模型和智能型模型。

神经网络基本原理-网络模型常见的神经网络模型有： 全互连型结构； 层次型结构； 网孔型结构；

神经网络基本原理-组成要素人工神经网络由八个方面的要素组成，分别为： 一组处理单元； 处理单元的激活状态； 每个处理单元的输出函数； 处理单元之间的联接模式； 传递规则； 把处理单元的输入及当前状态结合起来产生激活 值的激活规则； 通过经验修改联接强度的学习规则； 系统运行的环境。

神经网络基本原理-学习方式神经网络的学习方式主要分为 ： 有监督学习(supervised learning) ; 无监督学习(Unsupervised Learning, 或称自组 织self-organizing) ; 自监督学习(self-supervised learning) ;

BP神经网络-改进改进的BP神经网络步骤如下：

BP神经网络-影响BP网络建模的因素影响BP网络建模的因素主要有： BP神经网络层数的确定； BP神经网络中节点数的确定； (1)输入层节点数的确定； (2)隐层节点数的确定； (3)输出层节点数的确定。

RBF神经网络-网络结构输入层由一些源点(感知单元)组成，将网络与外界环 境连接起来； 隐含层是非线性的，在输入空间到隐层空间之间进行 非线性变换； 输出层是线性的，对输入层的训练数据做出响应。

RBF神经网络-基本步骤

Hopfield神经网络-基本结构

Hopfield神经网络-离散 Hopfield神经网络

Hopfield神经网络-连续Hopfield神经网络连续型 Hopfield网络(Continuous Hopfield Neural Network,简称CHNN)的输入与输出为 连续可微且单调上升的函数，每个神经元的输入 是一个随时间变化的状态变量，与外界输入和从 其它神经元来的偏置信号有直接关系，同时也与 其它神经元同它之间的连接权有关系。状态变量 直接影响输入变量，使系统变成一个随时间变化 的动态系统。

SOF

M神经网络-网络模型SOFM是仅由输入层和输出层(竞争层)两层构成。 网络上层是输出层，网络下层为输入层。常用的 SOFM网络的输入层是线性排列的神经元。

SOFM神经网络-基本算法

神经网络在数据挖掘中的应用-步骤基于神经网络方法的数据挖掘过程主要包括三个主 要阶段： 选择与预处理数据为构造网络准备数据，包括训 练数据和测试数据； 网络训练与剪枝这个阶段需要选择拟采用的网络 模型，选择或设计一种网络训练算法； 规则提取与评估经过学习和剪枝之后，网络中蕴 含着学习到的规则(知识),但以这种形式存在规 则不易理解。

神经网络在数据挖掘中的应用-评价评价数据挖掘模型实现算法的优良与否，可根据以 下指标与特征 ： 在噪音和数据不完整的情况下，能否高质量建模； 该模型必须为用户理解，并能用于决策； 该模型可接受领域知识(规则的加入和提取) ,以 提高建模质量 。