神經網路資料分析方法
資料探勘是適應資訊社會從海量的資料庫中提取資訊的需要而產生的一種資料分析方法，下面是小編整理的神經網路資料分析方法，歡迎檢視，希望幫助到大家。
神經網路資料分析方法
① 經網路方法
神經網路由於本身良好的魯棒性、自組織自適應性、並行處理、分佈儲存和高度容錯等特性非常適合解決資料探勘的問題，因此近年來越來越受到人們的關注。典型的神經網路模型主要分3大類：以感知機、bp反向傳播模型、函式型網路為代表的，用於分類、預測和模式識別的前饋式神經網路模型；以hopfield的離散模型和連續模型為代表的，分別用於聯想記憶和最佳化計算的反饋式神經網路模型；以art模型、koholon模型為代表的，用於聚類的自組織對映方法。神經網路方法的缺點是"黑箱"性，人們難以理解網路的學習和決策過程。
② 遺傳演算法
遺傳演算法是一種基於生物自然選擇與遺傳機理的隨機搜尋演算法，是一種仿生全域性最佳化方法。遺傳演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資料探勘中被加以應用。
③ 決策樹方法
決策樹是一種常用於預測模型的演算法，它透過將大量資料有目的分類，從中找到一些有價值的，潛在的資訊。它的主要優點是描述簡單，分類速度快，特別適合大規模的資料處理。
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：不需要給出額外資訊；簡化輸入資訊的表達空間；演算法簡單，易於操作。粗集處理的物件是類似二維關係表的資訊表。目前成熟的關係資料庫管理系統和新發展起來的資料倉庫管理系統，為粗集的資料探勘奠定了堅實的基礎。但粗集的數學基礎是集合論，難以直接處理連續的屬性。而現實資訊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。與欄位取值構成的選擇子相容則捨去，相反則保留。按此思想迴圈所有正例種子，將得到正例的規則。
⑥ 統計分析方法
在資料庫欄位項之間存在兩種關係：函式關係(能用函式公式表示的確定性關係)和相關關係(不能用函式公式表示，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資料庫中的資訊進行分析。可進行常用統計(求大量資料中的最大值、最小值、總和、平均值等)、迴歸分析(用迴歸方程來表示變數間的.數量關係)、相關分析(用相關係數來度量變數間的相關程度)、差異分析(從樣本統計量的值得出差異來確定總體引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機率統計的基礎上，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。
神經網路發展歷史
1943年，心理學家W.S.McCulloch和數理邏輯學家W.Pitts建立了神經網路和數學模型，稱為MP模型。他們透過MP模型提出了神經元的形式化數學描述和網路結構方法，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路研究的時代。1949年，心理學家提出了突觸聯絡強度可變的設想。60年代，人工神經網路的到了進一步發展，更完善的神經網路模型被提出，其中包括感知器和自適應線性元件等。M.Minsky等仔細分析了以感知器為代表的神經網路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路的研究，加之當時序列計算機和人工智慧所取得的成就，掩蓋了發展新型計算機和人工智慧新途徑的必要性和迫切性，使人工神經網路的研究處於低潮。在此期間，一些人工神經網路的研究者仍然致力於這一研究，提出了適應諧振理論（ART網）、自組織對映、認知機網路，同時進行了神經網路數學理論的研究。以上研究為神經網路的研究和發展奠定了基礎。1982年，美國加州工學院物理學家J.J.Hopfield提出了Hopfield神經網格模型，引入了“計算能量”概念，給出了網路穩定性判斷。 1984年，他又提出了連續時間Hopfield神經網路模型，為神經計算機的研究做了開拓性的工作，開創了神經網路用於聯想記憶和最佳化計算的新途徑，有力地推動了神經網路的研究，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域性穩定點。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路模型被提出。人工神經網路的研究受到了各個發達國家的重視，美國國會透過決議將1990年1月5日開始的十年定為“腦的十年”，國際研究組織號召它的成員國將“腦的十年”變為全球行為。在日本的“真實世界計算（RWC）”專案中，人工智慧的研究成了一個重要的組成部分。
神經網路的應用
1、自動控制領域
主要有系統建模和辨識，引數整定，極點配置，內模控制，最佳化設計，預測控制，最優控制，濾波與預測容錯控制等。
2、處理組合最佳化問題
成功解決了旅行商問題，另外還有最大匹配問題，裝箱問題和作業排程問題。
3、模式識別
手寫字元，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，機器人感測器影象識別及地震訊號的鑑別。
4、影象處理
對影象進行邊緣監測，影象分割，影象壓縮和影象恢復。
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，智慧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，移植次數最佳化，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。
【神經網路資料分析方法】相關文章：