基于改良蚁群算法的神经网络分类规则提取

论文摘要

随着信息时代的发展,人们所获得的信息量爆发性的增长,以至于人们对从巨大信息量中获得有用的而且正确的信息具有更为迫切的要求,这也就是数据挖掘产生的原因。数据挖掘即分析所获得的数据集来找出不为人所关注的联系和以对数据所有者有用且易于理解的新颖的途径来概括数据,在经济,科学等大量领域获得了广泛应用。它能够帮助用户仅仅需要关注海量数据集中最重要的信息。其中在数据挖掘领域,分类获得了很大的关注度,其主要目的是预测数据对象的所属类别。分类方法中神经网络由于在预测、从经验中学习、从先前样本中泛化等方面的优秀表现,使其成为分类领域的一个重要的方法,并往往能够获得很高的分类准确性,然而其非常有限的解释能力成为了制约其应用的一大缺陷。因此在数据挖掘的应用中,使用人工神经网络从中提取出隐含的知识成为一大挑战。因此本文提出了一种从神经网络中提取分类规则的新颖的方法。神经网络规则提取方法主要分为两种:基于结构的方法和基于功能的方法。本文采用的方法属于基于功能的规则提取算法。虽然已经有了一些从神经网络中进行分类规则提取的文章,但本文与这些文章本质上有所不同。本文提出的是一种基于改良蚁群算法的神经网络分类规则提取方法。该方法利用改良蚁群算法来提取规则,采用二进制化的方式处理连续属性,通过改良的蚁群算法来填补神经网络有限的解释能力,从数据中提取出分类规则,方法不依赖于具体的网络结构和训练算法,能够方便地在各种分类器型神经网络上得到应用。实验证明,该方法具有更大的潜力,能够很好的辅助神经网络,从分类的数据中获取更加准确且有效的规则。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究背景
• 1.1.1 人工神经网络分类规则提取意义
• 1.1.2 蚁群算法的选取
• 1.2 国内外研究现状
• 1.2.1 国内研究现状
• 1.2.2 国外研究现状
• 1.3 本文内容安排
• 第二章 数据挖掘和神经网络等理论和技术
• 2.1 数据挖掘概述
• 2.2 蚁群算法概述
• 2.2.1 蚁群算法机制原理
• 2.2.2 蚁群算法研究进展
• 2.3 人工神经网络概述
• 2.3.1 人工神经网络训练
• 2.3.2 人工神经网络分类
• 2.4 常用的分类算法
• 2.4.1 决策树
• 2.4.2 朴素贝叶斯法
• 2.4.3 基于关联规则的分类
• 2.4.4 人工神经网络
• 2.4.5 K-近邻法
• 2.4.6 支持向量机
• 2.4.7 集成学习
• 2.5 本章小结
• 第三章 人工神经网络分类规则提取研究
• 3.1 人工神经网络分类规则提取过程
• 3.1.1 数据准备
• 3.1.2 人工神经网络构造以及训练
• 3.1.3 规则提取
• 3.1.4 规则评估
• 3.2 神经网络与遗传算法结合
• 3.3 本章小结
• 第四章 基于改良蚁群算法的神经网络分类规则提取算法
• 4.1 数据处理及优化
• 4.1.1 改良蚁群算法介绍
• 4.1.2 数据预处理
• 4.1.3 属性选择
• 4.1.4 二进制化的优点
• 4.2 人工神经网络训练学习
• 4.2.1 人工神经网络构造与训练
• 4.2.2 算法总体流程图
• 4.3 改良TACO 算法产生规则
• 4.3.1 改良TACO 规则提取算法的参数
• 4.3.2 规则提取算法流程
• 4.4 本章小结
• 第五章 实验及结果分析
• 5.1 实验数据构造
• 5.2 实验分析
• 5.3 本章小结
• 第六章 总结
• 6.1 本文总结
• 参考文献
• 致谢