资源描述：
《《管理与决策支持系统》课程作业》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。
1、《管理与决策支持系统》课程作业地下燃气管网安全评价的分析与评价——神经网络学院理学院专业信息管理与信息系统学生姓名刘夏璐学号200530341315提交日期2008年4月19日一、问题借助数据挖掘软件Clementine进行地下燃气管网安全评价的分析与评价。其屮已知：八个影响因索、107条评价记录，其取值及定义见相应文件。具体要求用数据挖掘软件做如下问题：1.应用Clementine屮的BP进行X0R问题验证。2.参考课堂案例，对选出的107个样木中的前70个学习样本建立BP或其他（RBF）神经网络，求出样本的计算结果，与定义结果对比分析，表出37检验样本的预评结果。1.通过70个
2、学习样本建立进行地下燃气管网安全评价的多元线性冋归模型，与神经网络结果比较。二.八个安全评价影响因素的取值定义表格1:八个安全评价影响因素的取值定义建设监理力度XI（年份）极强强弱缺陷线密度X2（个）<5〜10〜20>20防腐层品种X3夹克牛油布沥青胶带环氧煤土壤腐蚀性X4极弱弱中强极强运行年数X5（年）X5W1X5=22VX5W77VX5W15X5215设计壁卑X6（〃湖X6M&57.0WX6V&55.5WX6V7.04.0WX6V5.5X6<4.0防腐层电阻率X7（Q）优良可差劣电位X8(mV)<-850‘—600〜-400>-400三、模型建立及Clementine的实现过程
3、按照问题要求，我们将分成三个部分解决问题：1.应用BP进行X0R问题验证1）X0R问题原理由于感知机模型结构的线性特点，使感知机模型只能识别线性样本不能识别非线性样本。非线性样本是指对空间小的一组两类样本，不能用一个超平面将其分开的样本。如书本的案例，若把样本1的丫产1改为丫严0,则线性样本变为了非线性样本(以r=o,丫二1分别代表平面上两类样本，则无法找到一直线将两类样本划分)，称为XOR异或问题:序号%.11213011假设感知机模型对上述四个样本都进行学习，学习厉获得的权数为WH=1,W12=0.检验第2个样本：X1=0,X2=l,O2=f(1X04-0X1)=/(0)=0,
4、但匕二1,即不收敛•因此，感知机模型对非线性样本不能识别。2)Clementine验证过程首先，我用感知机模型对上述样本进行学习，在类型里设置X’X?的方向为输入，Y为输出・字段L类型值缺失检查方向^xl歹连续[0.0,1.01❻冥2少连续[0.0,1.0]⑥y於连续[0.0,1.0]无无无入入岀输输输图表1：样本字段方向设置再用感知机模型学习样本，所有参数都采用系统默认值,如图:回使用分区数据方法：
5、快®-叼预防过度训須悽式简单专家飞序止条件：©默认50.0▲▼0▼样本％种子:□设置随机数种子图表2：XOR问题参数设置得出的结果精度为49.987%:寸..》分祈J…估计的准确性：
6、49.987S$••“输入层：2个神经元5I••“隐藏层1:3个神经元J…输出层：1个神经元!占0输入的相对重要性X20.00956712X10.00348639字段毎…亡)目标5亩“亡]输入构逹设置©-CJ训练槪要图表3：神经网络估计XOR问题结果用系统默认的神经网络模型精度很低，经过大量试验，如果不増加隐藏层，所有导出的精度都只能无限接近于50%,由此可知感知机模型对非线性样本是不能识别的.因此，我们用RBFN神经网路模型，再调整各参数，如：0使用分区数据方法：RBFN回预防过度训绒样本%:99.9▲▼□设置随机数种子种子：51▲停止条件：®默认RBF聚类:300—持续次数：5
7、00Eta:0.4Alpha:1.0—RBF甬香:1.0RBFN专家选项0自动计算Eta图表4：RBFN识别XOR问题的参数设置我们将RBFN专家选项的各参数都大幅度提高，同时“预防过度训练”提高到99.9%,得出结果为：估计的准确性提高到3.907%,X1,X2具有相同的重要性:曰.•分Ij…估计的准确性:73.907]j…输入层：2个神经元••…隐藏层1:4个神经元II…输出层：1个神经元i占偽输入的相对重要性:X21.52186X11.52186图表5：RBFN对XOR问题的识别结果1.建立BP神经网络，求出自检验和检验的计算结果1)BP神经网络基本原理BP神经网络模型是一
8、种具有三层或三层以上的前馈型的、按梯度算法使计算输出与实际输出的误差沿逆传播修正各连接权的神经网络模型。网络按有教师示教的方式进行学习，当一对学习模式提供给网络后，神经元的激活值，从输入层经各中间层向输出层传播，在输出层的各神经元获得网络的输入响应，并按减少希望输出与实际输出偏差的方向，从输HI层经各中间层逐层修正各连接权，最后回到输入层，随着这种误差逆传播修正的不断进行，网络对输入模式响应的正确率不断上升。心1,2,…戶】模型表示:X€(-00,+00),加。严/（
