人工神经网络和可视化方法分析和比较.docVIP

人工神经网络和可视化方法分析和比较 　　摘要：人工神经网络和可视化方法都是对原始数据进行重新挖掘重新整理而得到新数据的两种算法。该文对人工神经网络和可视化方法的有关算法特性进行了分析和比较，总结出了两种算法的相似性和共同点。 　　关键词：人工神经网络；神经元；可视化 　　中图分类号：TP183文献标识码：A文章编号：1009-3044(2008)36-2882-03 　　Analysis and Comparison Between ANN and Viewdata 　　ZHAO Chun, LI Dong 　　(Department of Computer Science, Xinxiang University, Xinxiang 453000, China) 　　Abstract: ANN and viewdata two calculating methods of obtaing new data by the dig and learrangement of the original data. This paper intends to make a general analysis of the featurcs of the two methods and a friof comparison between the two, and summed up the two algorithms and the similarity of common ground. 　　Key words：ANN; nerve cell; viewdata 　　1 引言 　　人工神经网络和可视化方法是数据挖掘中的两个重要的算法模型，两者都是根据模拟人脑和人的视觉神经与传统的数字计算机相比较而抽象出来的数据挖掘算法。可视化方法是人脑神经网络的一部分，它们之间存在着必然的联系，而算法又各有所异。随着数据挖掘技术的快速发展，存储在数据库中的数据量也迅速增长，这证明传统的关系数据库和存储图像、CAD（计算机辅助设计）图纸、地理信息和分子生物结构的复杂2D和3D多媒体数据库是合理的。许多应用都要用到大型的数据库，这些数据库有几百万种数据对象，这些数据对象的纬度达到几十甚至几百。面对如此复杂的数据时，我们常常面临着一些棘手的问题：应该从哪里开始着手？哪些是有用的数据？还有一些其他可用的数据吗？能得出答案的其他方法是什么？人们在寻求突破的同时反复地思考并询问复杂数据的专门问题。我们从人工神经网络和可视化方法的算法、特有属性进行横向和纵向的比较来找出他们的共同点和相似点。 　　2 人工神经网络算法与可视化方法性能比较 　　2.1 人工神经网络提供特有的属性和能力 　　1) 人工神经网络有超强的运算功能――人脑大约有1011个微处理神经元，这些神经元之间相互连接，连接的数目大约达到1015数量级[1]。每个神经元都相当一个微型计算机，把每个微型计算机链接起来就形成了一个超级计算机网络。 　　2) 由于人工神经网络相当于一个超级因特网，每个神经元都相当于一个微型计算机，对所有的任务都可并行，并且是分布式处理，其处理能力也是超强的――每个神经元节点都可以看作一个微型计算机，这样就形成了一个庞大的神经元网络。 　　3) 人工神经网络有归纳总结和分类的能力。――归纳总结和分类是人工神经网络对输入而产生合理的输出。 　　4) 人工神经网络有离散性。 　　5) 人工神经网络通过典型的实例中进行归纳总结。 　　6) 对整个网络有很强的适应性和快速的验证的能力。 　　7) 对整个人工神经网络的包容性。 　　8 对整个人工神经网络统筹能力。 　　2.2 可视化方法特有的属性和能力 　　1) 在正常情况下人对图像的信息比较敏感。而对数据的反映比较迟钝。 　　2) 人从图像视觉接受到的信息比从文本或表格上接受更快、更有效。比如“百闻不如一见”。 　　3) 人从图像视觉接受到的信息总是有选择的接受 　　4) 人的视觉选择的特征为形状、颜色、亮度、运动、向量、质地等。 　　这些筛选仍然是通过人庞大的神经网络中的部分神经元来处理的。其中进行的样本的学习能里以及自适应性得到了充分的体现。 　　2.3 人工神经网络和可视化方法的共同点 　　1) 对接受到的信息进行归纳处理。 　　2) 对接受到的信息进行转化，只是转化的方式不同。 　　3) 对接受到的信息进行筛选，并对接受到的信息产生合理的输出。 　　4) 容错性。 　　5) 从接受到的信息进行学习的能力。 　　2.4 人工神经网络和可视化方法的不同点 　　1) 人工神经网络是好比因特网，而可视化方法的计算网络好比计算机网络。可视化网络的计算能力只是人工神经网