基于模糊神经网络的数据挖掘算法pf.docVIP

用神经网络进行数据挖掘的一种方法 信息与计算科学122项磊201211010220 提出一种基于模糊祌经网络进行数裾挖掘的新方法。构成模糊祌经网络的模糊化层采 川高斯阑数计算5个模糊隶属度，尚斯阑数耑要的均值、方差以及隶属度的屮心值都可通过 预先计算采集到的数据得到。模糊推理S采用収小収大运算代替常用的积和运算，加快了网 络的推理速度。在模糊神经网络训练阶段，首先利用重心法对模糊化层输出进行反模糊化， 再采川BP思想，利川梯度法求误差值并进行反传调整隶属度函数的参数值。为提高网络推理 精度和速度，通过设立相应的规则对网络进行裁剪，剪掉多余的节点和权值，最后依裾一定的思 想对产生的模糊规则进行简化和提取。以工业锻造中的智能温度控制系统的控制数据为例进 行仿真，结果表明，该网络異有较高的精度和较好的鲁棒性。 关键词：数裾挖掘；模糊祌经网络；网络裁剪;规则提取 数据挖掘是指从大量数据中提取ili未知的、有价值的模式或规律。现己经应用在工业控制、商业管 理、科学研究等领域。数裾挖掘的算法冇许多种，主要包括:模糊集，粗糙集，神经网络等［1］。现实屮巨 量数据集中数据关系复杂，非线性程度高,噪声数据普遍存在，使得一些算法的适用受到很大的限制。 人工神经M络能够通过训练荻得用数裾表达的知识［2 ，除了可以记忆已知的知识外，神经M络还具 有较强的概括能力和联想kl忆能力，不错的容噪能力和分类精度、魯棒性高的优点使它在解决数据挖掘中 的问题时有很人的优势。但它也科一些不足，如“黑箱”性，对于商维或者超人规模问题，它的学＞』速度 缓慢，规则生成比较困难 再次训练网络，若网络的精度小于预定的精度，返 再次训练网络，若网络的精度小于预定的精度，返W到3）中取舍网络权伉，否则，停止，用此时的权 模糊逻輯(FuzzyLogic)足以ZadehLA创立的模糊集合论为理论基础，针对人类思维屮的模糊性特点。 利川领域专家的先验知识，进行近似推理。它能对父杂事务进行模糊识别，模糊推理，但缺乏自学自适应 的能力。 将模糊逻辑引入人工祌经网络实现它们的奋机结合，形成模糊祌经网络(FuzzyNeuralNetwork，FNN), 使系统不仅具有模糊逻辑的不确定信息处理能力，又具科神经网络良好的自学＞J性。和一般的神经网络相 比，它具有更快的学习速度和更小的规模。 1模糊神经网络实现 1.1模糊神经网络结构 模糊神经网络就是用模糊化模块对数据进行处 刑，然f?将获得的知识传递到神经网络中进行网络训|模糊化I— |祌纾网络的模糊推现h|淸晰化与反馈修正 1.2模糊神经网络构造 依照图1构建了一种模糊祌经网络。该网络共奋8层。 第1层为输入层，包括同定值-1输入和样本变量值x的输入；第2层为偏移层，计算x-uA第3层为 模糊输入层(或者称为髙斯阐数层)。该层采RT商斯函数作为传递函数主要川于实现模糊求属度函数，计算 出5个分属于“差，较差，H，较好，好”语言变fi的隶属度；第4层为取小运算层，完成输入值的取小运算;第5层为取人运算层;第6层为模糊输出层，将P结点的输出和此层的其它结点输出相乘输出：第7层为 淸晰化层，主要完成对映射网络的输出结果进行淸晰化处理；第8层为权值调整层。 1.3隶属度函数实现 这任务巾前3层來实现对模糊信息的预处理，其主要功能是计算各输入分景诚于各模糊集合的隶/,4度。 X=( X, X,.... x] , 设输入景为 1 2 n T则模糊化层各节点的输入输出如下 1 1 1 2 1 p 2 2 第1 :l=x. 0 =1 2 :I=O -to, 0 =1 层 1 i i . 55层 4 ? 4 ij ij 3 2 0 3 3 1 |j a 2 第3 :1=0- W 0 =f(l)=exp{-((l-w)/(/co))} ?i ij v I U 1 1 * ,I 1=, . ? ?…n,j=,,, i i 。I、0 k(k=,,) 其中 12 1 2 3 45 k k分91代农访 1 2 3 SIR 分别代表k层屮由第i个输入节点分出的第j个节点的输入和输出。oA、oA为可调函数,uA为商斯函数的屮 心值;co%为函数的分布参数，又称为尺度因了。设样木的 均值和方差分别为M和a，由统计知识知： 1 n i n i 2 M= /n（^x） a /n（Z（x-a）） 上式中，n为样木数。迕对数据进行S糊分类时，取“差“较差”、“吋”、“较好”的隶属函数的中心 分别取为（p-2a）、（（j-a）、p、（p+a）、（p+2a）。 1.4模糊神经网络训练 当系统的推理精度不够高吋，需要调整隶属函数的参数。采用BP网络的反向传播学习思想进行训 练。对于第i组采样数据（xbx2, ...，xn;yi,y2，…，ym）Ti。训练算法如下： 第1步：提取模糊规