bp神经网络在基于数值模拟科学数据挖掘中的应用研究

《bp神经网络在基于数值模拟科学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、电子科技大学硕士学位论文BP神经网络在基于数值模拟科学数据挖掘中的应用研究姓名：钟静申请学位级别：硕士专业：软件工程指导教师：傅彦;李仁川20060508摘要在对大规模科学数据进行处理时，往往会因为其具有规模大、特征复杂的特点，使得理解、分析这些科学数据，并从中获取知识变得十分困难，由此科学资料挖掘势在必行。本项目主要研究适合于丈规模科学数据挖掘(SDM)的神经网络理论和应用。特别深入研究以独立分量分析(ICA)为主的降维技术、以小波神经网络为主的压缩降噪技术解决科学数据特征复杂不便识别的问题；以同网格结合的神经网络、误差反向传播

2、的BP神经网络、自适应多级自组织特征映像网络为主的分类、聚类技术解决科学数据挖掘中的大规模知识发现问题。提出了面向特殊应用——分子动力学数据模拟的神经网络模型，特别是研究针对科学数据分类、聚类和模式提取问题的神经网络应用。建立实用的科学数据挖掘系统，为从大规模数值模拟数据中提取有价值的信息提供有效的新方法。本文主要研究以误差反向传播BP神经网络处理的分类问题。首先描述了BP网络的基本模型，在传统BP网络的基础上，介绍了用3-．BP网络中的常见算法：标准BP算法(BPl、附加动量和学y-J率自适应调整的改进BP算法(BPX)、Lev

3、enberg—Marquardt优化方法(LM)，并在Matlab上分别对这几种算法进行分析；然后利用一个高维的动物数据集，在Eclipse平台上建立了一个可扩展的用于BP神经网络的分类模型；针对科学数据的复杂性，以及BP神经网络易发生局部最优的缺点，最后，利用LM算法学习时间短的优点，以及进化策略具有良好的全局搜索能力，提出了将LM优化算法与改进的进化策略相结合的神经网络分类模型(CABEN)。该神经网络分类方法较之以往的神经网络分类方法，不仅解决了局部极小的问题，训练速度也更快，同时提高了分类精度。关键词：神经网络，科学数据挖

4、掘，BP神经网络，LM优化算法，进化策略ABSTRACTItisverydifficulttounderstandoranalyzethelarge—scaledatainmanyscientificdomains，becauseithasthecharacteristicoflarge-sealequantities，complexfeatureswhendealingwith，anditismoredifficulttogetknowledgefromit．Soitisabsolutelynecessarilytodoscie

5、ncedatamining(SDM)now．Themainpointofthisprojectistoresearchthetheoriesandapplicationsofartificialneuralnetwork(ANN)whichissuitableforlargescalesciencedatamining．Especially,ourresearchfocusinclude：dimensionreductiontechniquesbasedonIndependentComponentAnalysis(ICA、andw

6、avelet—baseddenoisingorcompressingtechniquesforfeatureextractioninscientificdatasetswhichhavecomplexfeatures；ClassifyandclusteringtechniquesofANNcombinationwithdatagrid，Back-Propagationneuralnetwork，Self-GrowingMultilevelSelf-OrganizingMapforlargescaleknowledgefoundin

7、ginSDM．WeproposetheANNmodelforspecialapplication。‘-’MolecularDynamicsnumericalvaluesimulation，especiallyaimatclassifying，clusteringandpatterncognitionforscientificdataset．ConstructtheutilitySDMsystemandgiveanewmethodtominevaluableinformationfromlarge—scalenumericalval

8、uesimulationdata．ThispaperfocusesontheclassificationbasedonBack—Propagationneuralnetwork．Firstly,presentsareviewonthebasicmo