基于神经网络的数据挖掘算法,该文是关于数据挖掘算法论文范文，为你的论文写作提供相关论文资料参考。
数据挖掘算法论文参考文献：
摘 要： 神经网络可以实现分类、预测等多种网络模型.将神经网络的BP（前馈神经网络）和SVM（支持向量机）数据挖掘算法应用于西安地区的空气质量预测,虽然它们的泛化和收斂能力不同,但通过以往的历史数据训练网络模型.实验结果证明该算法可以较准确地预测未来的数据.
关键词： BP神经网络； 支持向量机； 核函数； 数据挖掘
中图分类号： TN711?34 文献标识码： A 文章编号： 1004?373X（2017）11?0111?04
Research on data mining algorithm based on neural network
WANG Chunmei
（School of Computer Science and Technology, Xi’an University of Posts and Telecommunications, Xi’an 710121, China）
Abstract： The neural network can classify and predict the various network models. The data mining algorithm based on BP neural network and SVM is applied to the air quality prediction in Xi’an region. Although the BP neural network and SVM method he different generalization ability and convergence ability, the past historical data is used to train the network model. The experimental results prove that the data mining algorithm can predict the future data accurately.
Keywords： BP neural network； support vector machine； kernel function； data mining
0 引 言
近年来空气污染严重,空气问题不容忽视,准确的空气质量预测具有极大的现实意义.神经网络算法在数据挖掘中占有重要的地位,因为网络模型、复杂度等不同,神经网络可以拟合各种曲线实现分类、预测等多种模式,至今神经网络已经研究出了多种类型来适应不同的要求.
神经网络要求网络模型对训练数据集有比较好的逼近能力,也需要对训练集之外的分布数据能给出比较精准的预测.泛化能力即经过训练学习得到的预测模型,对没有在训练集中出现但是具有一定规则的数据能有比较准确的预测能力,不只是普通的保存学习过的样本,而是需要进行有限次数据的训练,找到未知的规律.
本文基于神经网络的BP算法和SVM算法利用已有的历史数据训练网络模型,对未来的天气进行较为准确的预测工作.
1 BP算法
前馈神经网络是一种典型的神经网络模型,网络具有分层结构,输入数据从输入层进入到前馈神经网络,经过输入层和隐层传递到输出层.不同的前馈网络节点限制函数、神经元个数、隐层个数、权重修改方法能够实现拥有多样能力的前馈神经网络.
只有一个隐层的感知器只能解决输入数据线性能够区分的问题,但很多分类问题的输入数据都是线性不能区分的.要完成线性不可分的难题,需要在结构中加入隐层.含有多隐层的前馈网络相比于单层感知器的区分效果有明显的提升.因为误差相反传递算法经常用于神经网络,所以也叫BP网络.
1.1 基本思想
BP学习过程分为两个过程,即输入数据经过输入层和隐层正向流给输出层,输出层的误差经隐层反传给输入层.正向传播时,输入数据从输入层到达,经过每个隐层的加工后,再传递给最后的输出层.如果输出数据达不到预期目标,则进入误差的反向传递.误差的反向传递是指将最后一层的误差经过某种方法,经网络的隐层反转传递向输入层,将误差均匀给网络每个层的所有神经元节点,因此得到网络每层神经元节点的误差信号,通过节点获得的误差来调整节点.这两部分反复,通过不断地权重修改将误差减少到比较满意的情况,或达到学习次数上限.
1.2 基本原理
三层BP网络模型图如图1所示.
在该三层前馈网络中,为输入向量,代表隐层神经元节点的阈值；隐层输出为图1中是为输出层神经元引入阈值设置的；输出层的输出向量为预期输出网络的隐层和网络输入层的权值用矩阵表示；用表示网络隐层到网络输出层的权值矩阵.
对于输出层来说：
（1）
对于隐层来说：
（2）
转移函数为：
（3）
1.3 学习算法
当网络输出距离预期结果有差距时,代表输出误差.
隐层：
（4）
输入层：
（5）
据式（5）得知,网络误差展开到输入层只和有关,要想减小误差,就要修改神经元的权值.
假设网络有个隐层,神经元数代表网络隐层的输出,为权重,则权重修改公式如下：
输出层：
（6）
第个隐层：
（7）
递推可得：
（8）
在BP算法中,所有的权重修改公式都一样,都取决于学习率、输入和本层的输出误差.模型每层的输出误差和模型的总误差有关系,反映了模型输出的误差.网络中每一个隐层的误差都和前面每个网络层的误差有联系,都是经过网络的输出层一层一层地向前回传.
结论：关于对不知道怎么写数据挖掘算法论文范文课题研究的大学硕士、相关本科毕业论文数据挖掘算法论文开题报告范文和文献综述及职称论文的作为参考文献资料下载。
基于人工神经网络的聚类算法
摘要：研究连续型Hopfield神经网络的电路机理，推导出网络的权值计算公式，并运用连续型的神经网络模型构造出聚类算法；对20个随机生成数据计算。
基于遗传算法和RBF神经网络核电厂安全管理评价模型
中图分类号：F273 文献标识：A 文章编号：1674-1145（2017）03-000-02摘 要 遗传算法具有很强的全局搜索能力，但是容易。
基于BP神经网络车牌识别技术算法分析
摘要：车牌识别是计算机视觉技术的一种典型应用，以机器视觉、图形图像、模式识别等为理论基础，采用神经网络、形态学、投影等技术实现车辆拍照、视频分解。
基于遗传算法BP神经网络在权证定价中应用
摘要:对金融衍生品的定价一直都是理论界和实务界所关注的热点问题之一。传统的参数模型定价方法,容易产生系统性偏差,而神经网络方法在解决这一问题时具。