基于粗糙集与BP神经网络的数据挖掘分类模型

利用粗糙集理论对原始数据进行特征选择,约简冗余属性,从而减小BP网络的输入维数.该模型可以在不同的简化层次上给出相对满意的决策,适用于信息不完备情况下的推理和决策研究.     

一种基于粗糙集和遗传神经网络的数据分类器模型

为了实现对无线传感器网络监测得到的高维冗余且不确定的数据进行分类识别,提出一种由遗传算法和粗糙集进行优化的BP神经网络数据分类器模型,并形成了数据挖掘分类算法。该模型通过粗糙集理论的属性约简算法删除训练样本的冗余属性,利用遗传算法对神经网络的权值和阈值进行优化,并进行神经网络学习。数据挖掘分类算法学习速度快,能够有效提高无线传感器网络中数据的分类效率。     

基于粗糙集的改进BP神经网络算法研究

提出了一种基于粗糙集和遗传算法的改进BP神经网络算法.该算法首先对原始数据集进行属性约简,优化BP神经网络的输入变量;然后利用遗传算法全局搜索的特点,优化BP神经网络初始权重和阈值.将改进BP神经网络算法应用于客户分类,训练误差为5.92×10-12,测试总误差为0.00023;而改进前的一个比较理想的训练结果的训练误差为0.0016,测试总误差为0.073.Matlab仿真表明改进的BP神经网络算法有更好的训练精度和泛化能力.     

基于BP神经网络的数据挖掘技术的研究

研究如何将BP神经网络与数据挖掘技术相结合,从海量数据中挖掘出潜在的有用的信息.介绍了数据挖掘以及神经网络的概念,分析了数据挖掘技术的处理过程以及BP神经网络的原理,阐述了数据挖掘技术与神经网络结合的关键技术及实现方法.     

基于BP神经网络的数据融合技术在分布式养老系统中的应用

根据神经网络在数据融合的应用比较成熟,BP神经网络具有实现简单,以及在一定范围内具有较高识别精度的特点,选用此方法,在分布式养老系统中对老人的体征信息和监控设备两种属性不同的图像信息进行融合处理,实时监测老年人的身体状态.当神经网络的输入信息维数过高时,会导致神经网络训练速度下降.针对此问题,对传统的基于神经网络的融合算法进行改进,利用粗糙集对输入数据进行约简,使神经网络输入数据降维.同时,将约简后的信息进行训练.算法在训练时间和融合结果的准确性上都有提高.     

基于神经网络进行数据挖掘的一种算法

本文对神经网络的数据挖掘方法进行了详细的研究,包括数据挖掘的工作流程、神经网络的基本概念和结构、实现的关键技术以及神经网络的应用,验证了算法的有效性和高效率性。     

基于粗糙集和BP神经网络的空气质量评价方法

基于粗糙集理论,提出了空气质量评价参数的选取算法,在不降低有效分类信息的前提下对监测数据经过约简并作为BP神经网络的输入数据,简化了网络结构,提高了训练速度和测试精度.基于BP神经网络的空气质量评价方法能有效融合多种监测数据,系统通用性强.实验表明,基于粗糙集和BP神经网络的空气质量评价方法是可行有效的.     

基于BP神经网络的食品安全抽检数据挖掘

数据挖掘技术在食品安全领域拥有巨大的应用价值和潜力。通过分析逆向传播(BP)神经网络算法,说明使用该方法的可行性和优越性。以抽检数据为对象,阐述了数据预处理过程,设计并实现了数据挖掘实验。最后利用挖掘结果进行食品检验结论预测,验证了方法的实用价值和指导意义。实验表明,基于BP神经网络的数据挖掘方法具有良好的过程健壮性和较高的结果准确性。通过预判不合格食品的出现,可以指导实际食品安全抽检工作,从而杜绝食品安全问题的发生。     

基于粗糙集的数据挖掘算法的研究

粗糙集理论是一种新的处理模糊和不精确问题的重要数学工具,是一种新的数据挖掘技术。本文主要研究基于粗糙集的数据挖掘的算法在规则提取阶段的应用。     

粗糙集结合BP神经网络的数据融合方法研究

在粗糙集和数据融合基本理论的基础上,研究了基于粗糙集理论和BP神经网络相结合的数据融合方法。先利用粗糙集对输入信息进行简化,剔除冗余信息,从而缩减了BP神经网络的规模,提高了融合系统的识别率,进而提高整个融合系统的效率。与传统的神经网络融合系统进行比较,通过实例说明了该方法的有效性。     

一种基于粗糙集理论的数据挖掘算法的研究

研究了粗糙集理论在数据挖掘中的应用,提出了一种基于粗糙集理论的数据挖掘算法.首先对信息系统的数据加工泛化,构造其二进制可辨矩阵.对矩阵进行化简得到属性约简并生成规则.最后,结合银行申请信用卡的实例,利用上述方法进行数据挖掘,消去冗余属性,抽取决策规则.     

基于变精度粗集模型的定量数据挖掘算法

为了解决定量数据中存在噪音数据或数据不完整的问题，并能从这些定量数据中挖掘出有效规则，在变精度粗集模型(VPRS)的基础上，采用定量数据的模糊处理方法，研究了定量数据挖掘算法。该算法可以从定量数据中挖掘出更客观、有效的决策规则。     

基于粗糙集理论的人工神经网络故障诊断系统

在故障诊断神经网络模型的基础上,以粗糙集理论中的信息系统属性值表为主要工具,将复杂的神经网络分层的简并剔除其中不必要的属性,克服了网络规模过于庞大及分类识别速度慢等缺点,取得了减少分类过程中的模式匹配搜索量的良好效果,并给出基于粗糙集理论的分层发掘神经网络模型结构及算法,结果表明该系统对工程应用具有一定的参考价值。     

应用粗集理论的数据库知识发现

要从数据量庞大的大型数据库中发现知识，就不得不考虑学习算法的效率。将粗集理论应用到数据挖掘中，实现了从数据库中自动抽取与给定的学习任务相关的属性，能有效地发现简练、贴切的知识，并给出了这一应用的理论基础和实现算法。     

基于粗集理论的分类关联规则挖掘研究

认为数据量的巨大和高维、用户交互与先验知识的利用等等是知识发现领域面临的问题和难点 .粗糙集理论是一种具有模糊边界的集合理论 ,它作为研究知识发现的新型工具 ,能严格地处理不精确数据的分类问题 ,被广泛应用于不相容决策表中的规则提取过程中 .针对粗糙集理论中属性约减和属性值约减这两个重要问题进行了研究 ,并介绍了数据集中挖掘分类规则的基本原理 ,同时利用 RS理论中核和核值的概念 ,提出了一个在数据集中发现没有冗余属性的最小归纳依赖关系并简化决策系统的数据挖掘算法 ,并应用一简单的例子说明如何在数据库中发现分类规则 ,实验结果表明此算法可以大大提高系统潜在知识的清晰度     

一种基于粗糙集的粗糙神经网络构造方法

针对神经网络中各神经元和权不能赋予明确的物理意义 ,提出了一种基于粗糙集的神经网络模型 .该模型利用粗糙集理论数值分析的能力 ,首先从给定的数据集中抽取出规则 ,然后根据这些规则构造神经网络隐含层的神经元个数 ,从而确定粗糙神经网络的初始拓扑结构 .同时 ,将输入映射到输出子空间 ,并在这个子空间上用神经网络进行逼近 ,由此得到一种可理解性好、收敛速度快的神经网络模型 .实验结果表明 ,该模型能够较好地处理神经网络拓扑结构、训练样本的大小、样本质量等对神经网络的精度及泛化能力有直接影响的问题 ,在大大缩短训练时间的同时 ,它的预测精度可达 96 4 % ,较同条件下径向基函数神经网络模型的精度高 3 6 % .