rbf神经网络在数据挖掘中的应用研究

《rbf神经网络在数据挖掘中的应用研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、TheresearchofapplicationofRBFneuralnetworksindataminingbyTONGXiangweiAthesissubmittedinpartialsatisfactionoftheRequirementsforthedegreeofMasterofEngineeringComputerApplicationTechnologyCentralSouthUniversityofForestryandTechnology498ShaoshanSouthRoad，TianxinDistric

2、tChangsha，Hunan410004，P．R．CHINASupervisorProfessorZHOUTiejunMay,2009IIIIIIIIlllIIIIIIIIIfIII。Y1848773中南林业科技大学学位论文原创性声明本人郑重声明：所呈交的论文是本人在导师的指导下独立进行研究所取得的研究成果。除了文中特别加以标注引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写的成果作品，也不包含为获得中南林业科技大学或其他教育机构的学位或证书所使用过的材料。对本文的研究作出重要贡献的个人和集体，均已在文中以明确方

3、式表明。本人完全意识到本声明的法律后果由本人承担。作者签名：首孝碾敞加口7年5月一El中南林业科技大学学位论文版权使用授权书本学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学校保留并向国家有关部门或机构送交论文的复印件或电子版，允许论文被查阅或借阅。本人授权中南林业科技大学可以将本学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。本学位论文属于：1、保密口，在年解密后适用本授权书。2、不保密口。(请您在以上相应方框打“√”)作者签名：童孙浅导师签名：必、l睨乒

4、／。＼Jp07年6月／o日谚7年历月／d日1摘要随着数据库技术的成熟应用和Intemet的迅速发展，人们利用信息技术产生和搜集数据的能力大幅度提高，使得从大量数据中挖掘出有用的信息或知识成为一个迫切需要解决的问题。正是这种需求推动了数据挖掘兴起和数据挖掘技术的发展。数据挖掘经常要面对一些有噪声、杂乱、非线性的数据，而神经网络具有良好的鲁棒性、自适应性、并行处理、分布存储和高度容错性等特点，因此神经网络非常适合用来解决数据挖掘的一些问题。本文简单阐述了数据挖掘和人工神经网络的基本理论。在分析数据挖掘各种技术的基础上，对神经网络

5、方法在数据挖掘中的应用进行了研究分析，接着着重研究了基于RBF神经网络的分类数据挖掘方法。并将遗传算法和RBF神经网络有机结合，利用遗传算法优化RBF隐层中心参数和宽度；同时提出了改进的遗传算法。实验表明改进的遗传算法优化RBF神经网络用于数据挖掘能提高网络的逼近能力和分类准确率。本文研究主要内容如下：(1)介绍RBF神经网络的工作原理以及在数据挖掘中的性能分析。(2)对遗传算法进行了分析和研究，针对基本遗传算法存在容易早熟和局部搜索能力弱等缺点，通过对遗传算法中的交叉算子和变异部分进行改进，比较它们在相同的搜索环境下的性能

6、差异。(3)通过改进的遗传算法来优化RBF神经网络的中心参数和宽度，实验证明，运用此方法可在一定程度上提高网络的逼近能力和准确率。关键词：数据挖掘；RBF神经网络；遗传算法；改进型遗传算法tolerating-error．Thispaperdescribedasimpledataminingandthebasictheoryofartificialneuralnetwork．InanalyzingthevarioustechniquesofdataminingbasedonneuralnetworkindatamiIliI培

7、applicationsinresearchandanalysis，andthenfocusonRBFneuralnetworkbasedontheclassificationofdatamiIlingmethods．GeneticalgorithmsandRBFneuralnetworkscombinationofgeneticalgorithmtooptimizetheuseofcentervaluesandwidthofthehiddenlayerofRBF；Atthesametime，animprovedgeneti

8、calgorithm，experimentsshowthatthegeneticalgorithmtoimprovetheRBFneuralnetworkfordataminingapproachCanimprovenetworkcapacityandclassificationaccur