基于神经网络和格兰杰因果分析的人工智能与数据挖掘

《基于神经网络和格兰杰因果分析的人工智能与数据挖掘》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、基于神经网络和格兰杰因果分析的人工智能与数据挖掘摘要：神经元信息计算是当代的热点研究和科学前沿之一。现今，计算神经科学在两方面发展迅速。一方面，有助于推进人工智能的发展，包括机器学习甚至是人工生命。它们都以脑科学以及认知神经科学为基础，模拟并运用了相关的电生理知识来开发软件集人工智能机械，进而最终以辅助工具的形式，为相关的交叉科学领域提供帮助。另一方面，协同数学，物理，计算机科学等基础科学，对大脑和认知神经科学的研究已经不只是机理的解释和诠释了，更在于结合生物解剖系统，包括复杂网络，神经网络等通过信息编码等复制相关机理，并运用于其他系统。在人工智能中，相关内容涉及

2、阐明并在机器上模拟人类的“选择，成功以及智能”等。当然，在相关研究过程中，统计知识始终是十分重要的基础，无论是人工算法的研究或是数据挖掘的数据分析过程中，都对其基础知识和多样的方法有一定要求。在本论文中，以matlab为工具，对一些人工智能算法进行了介绍，并结合一些实际问题进行了计算，包括了拓扑网络和人工神经网络等。另外，还结合了数据挖掘中的一些基础的方法，对神经动力学的一个问题进行了研究。研究开始前，我们在统计学基础上仔细涉及了实验。比方说，实验是在对象与记录员都是双盲的情况下进行的。对数据样本的估计，也选取了无偏估计来估计总体。为了保持数据处理的科学性，在格兰

3、杰因果检验前，也先进行了去除事件相关电位，平稳化和正态化处理。在具体分析过程中，运用了大量数据分析的方法，包括T检验，ks检验，方差检验，jackknife抽样，格兰杰检验，相干分析等。当然，我们在最后对分析结果进行了检验和评估。由此可见，DKK确实是实用的数据分析进程，在本文最后的关于神经细胞信息编码的探索以及脑区(前额叶皮层以及纹状体)间关系的研究方面起到了重要作用。关键词：神经网络，数据挖掘，格兰杰预测，matlab第1章人工智能与神经网络人工智能（AI）由Poole,Mackworth和Goebel在1998年提出，是一门关于智能实体[1]的研究和设计，其

4、智能实体是一个考虑环境并采取实际行动来最大化成功可能的系统，这是由Norvig和Russell在2003年提出的。[2]AI也被定义为制造智能机械的科学和工程。[3]一般来说，推理，知识，计划，学习，自然语言处理（沟通）都是AI的中心，还包括物品操作及移动能力等机制与过程的解读及模拟。随着科技的发展，越来越多的人工智能技术及产品问世了，近来最大的热点就是Google公司推出的AlphaGo。大量基于离散数学，最优化理论，数理统计，信息技术，神经科学等学科的知识，都为人工智能软件的开发，技术的发展提供了基础。然而，广义的智能仍是AI领域的长期目标[4]，人工神经网络

5、是作为一门交叉学科的产物，是人工智能十分热门的一个分支，融合了统计方法和传统的符号AI，不仅用于模拟人类的各种大脑的学习与记忆过程，编写为算法，开发为软件或是网络平台，还有不少被用于开发计算与解析非线性系统的辅助软件。其中，典型神经网络：有：霍普菲尔德神经网络，支持向量机，朴素贝叶斯分类，最优森林等。1.1神经网络定义：图1神经元模型不同于一般在数据挖掘（DM）中常见的方法，例如分类与机器学习等，神经网络由Nilsson等人在1998年提出，仅开始于AI研究开始成立的十多年前。其中，前馈神经网络(不接受反馈)和递归神经网络(其中信号在两个)是最主要的非循环神经网络

6、。在递归网络中，霍普菲尔德网络尤其为人所熟悉，包括由JohnHopfield在1982的吸引子网络以及赫布学习理论。赫布学习（Hebb理论）是一个被广泛用于辅助神经网络的科技，解决在智能控制（机器人）或是学习中遇到的问题。和信息存储有关的神经网络被称为人工神经网络。1.1.1赫布定理：赫布理论[5]于1951年，由DonaldHebb提出，描述了突触可塑性的基本原理，即突触前神经元向突触后神经元的持续重复的刺激可以导致突触传递效能的增加。当神经元A的轴突与神经元B很近并参与了对B的重复持续的兴奋时，这两个神经元或其中一个便会发生某些生长过程或代谢变化，致使A作为能

7、使B兴奋的细胞之一，它的效能增强了。这一理论经常会被总结为“一起发射的神经元连在一起”。这可以用于解释“联合学习”，在这种学习中通过对神经元的刺激使得神经元间的突触强度增加。这样的学习方法被称为赫布型学习。1.1.2电生理学的突触分类以及基本特征：长时程电位（LTP）是一种存在于两信号间传递的现象。这是和突触可塑性相关的（也和突触改变能力相关的）现象之一。因为记忆被认为是通过在突触强度的改变进行编码的，然而LTP普遍被认为是分子机制之一，由学习和记忆构成。人类大脑通过突触调整了输入频率。频率越高，记忆越清晰。反之亦然，频率越低，记忆越清晰。正是大量突触使得大脑高效

8、工作。大约