基于神经网络的动态数据挖掘研究

论文摘要

数据挖掘目前已广泛应用于现代社会的各行各业,但是大多都是针对历史数据进行分析与处理,人们追求的不再只是发现历史数据中隐藏的规律来解决实际问题,而是想在竞争激烈的社会中即时获取有用的信息,这对于传统的针对静态的历史数据进行挖掘的静态数据挖掘是不能很好实现这种需求的;设计一种针对当前数据动态分析处理的一种信息处理技术具有很大的现实意义。数据预测是数据挖掘的一个主要研究方向之一,而多维方面的预测问题是目前亟待解决的关键问题,在一定程度上多维预测还成了预测方面的一个瓶颈;结合动态数据挖掘来研究多维数据的动态预测问题在现实应用中具有广阔的实践意义。动态数据挖掘不仅仅限于数据预测方面,对其应用领域探讨也具有很大的现实意义。本文深入分析了以往数据处理技术的发展现状之后给出了一种在动态数据源运行过程中结合历史数据、当前数据以及即将到来的数据进行数据分析与处理的动态数据挖掘技术:运用滑动窗口技术动态的获取数据,通过动态数据窗口动态处理数据,运用未来数据测试动态数据挖掘的性能。人工神经网络是模拟人脑工作的网络模型,具有强大的并行处理能力与记忆功能,已广泛应用于各行各业;本文主要是结合神经网络技术来研究解决实际的多维动态数据预测问题,取得了较大的突破:设计出了基于自回归神经网络的单输入单步、单输入多步以及多输入多步动态数据预测模型;模型中各隐层节点采用具有延迟一步的自反馈,从而使得网络具有很好的记忆功能;各属性隐层节点间通过延迟一步的反馈连接来模拟属性之间的关联关系,从而使得模型具有很好的稳定性与实用性。本文对改进BP算法进行了分析,充分考虑误差函数、活化函数以及学习率对算法性能的影响,结合预测模型的特点提出了适合于预测模型的改进融合BP算法。通过Matlab仿真实验验证了预测模型的性能,实验表明三种多维动态预测模型预测效果较好:在多维曲线预测方面效果特别好,直线预测误差为零;模型稳定性好,预测结果几乎不受初始权值影响。本文还从理论上探讨了动态数据挖掘在专家系统的知识库自动更新方面的应用,给出了在专家系统中结合动态数据挖掘实现知识即时更新的一种理论框架构想。本文设计动态预测模型中考虑了多维数据的各维属性间可能存在的内部联系,从而更加贴切实际的实现了多维动态数据的预测问题,也在一定程度上为进一步研究多维动态数据问题提供了思路。

论文目录

• 中文摘要
• 英文摘要
• 1 绪论
• 1.1 论文选题背景
• 1.2 论文研究意义
• 1.3 论文研究内容
• 1.4 论文的结构框架
• 2 相关技术发展及现状
• 2.1 数据挖掘技术
• 2.1.1 数据挖掘技术的产生与发展
• 2.1.2 数据挖掘技术现状
• 2.2 人工神经网络技术
• 2.2.1 人工神经网络的产生与发展
• 2.2.2 人工神经网络技术现状
• 2.3 神经网络应用于数据挖掘的发展现状
• 2.4 专家系统
• 2.4.1 专家系统产生与发展
• 2.4.2 专家系统现状
• 2.5 小结
• 3 动态数据挖掘技术
• 3.1 引言
• 3.2 动态数据挖掘定义
• 3.3 动态数据挖掘的体系结构
• 3.4 动态数据挖掘过程
• 3.4.1 动态数据采集（Dynamic Data Acquisition，DDA）
• 3.4.2 动态数据处理（Dynamic Data Processing，DDP）
• 3.4.3 数据挖掘与挖掘测试（Data Mining and Mining Testing，DM&MT）
• 3.5 小结
• 4 基于神经网络的动态预测研究
• 4.1 引言
• 4.2 神经网络预测模型
• 4.2.1 神经网络预测模型基本描述
• 4.2.2 几种神经网络预测模型
• 4.2.3 几种神经网络预测模型的比较
• 4.3 基于自回归神经网络的动态多维预测模型
• 4.3.1 问题的提出
• 4.3.2 基于RNN的DMDP模型结构
• 4.4 神经网络预测模型学习算法
• 4.4.1 BP算法
• 4.4.2 改进的BP算法
• 4.4.3 BP算法的改进
• 4.5 自回归神经网络动态多维预测模型训练算法
• 4.6 仿真实验分析
• 4.6.1 单输入单步多维神经网络动态预测模型实验分析
• 4.6.2 单输入多步多维神经网络动态预测模型实验分析
• 4.6.3 多输入多步多维神经网络动态预测模型实验分析
• 4.6.4 预测模型与并行递归自回归神经网络预测模型比较
• 4.7 小结
• 5 动态数据挖掘其它应用
• 5.1 引言
• 5.2 专家系统的一般结构
• 5.3 专家系统与动态数据挖掘结合
• 5.4 动态关联规则挖掘
• 5.4.1 定义
• 5.4.2 算法分析
• 5.5 小结
• 6 结论
• 6.1 总结
• 6.2 后续研究工作及展望
• 致谢
• 参考文献
• 附录