数据挖掘原理与
This presentation is the property of its rightful owner.
Sponsored Links
1 / 18

数据挖掘原理与 SPSS Clementine 应用宝典 元昌安 主编  邓 松 李文敬 刘海涛 编著 PowerPoint PPT Presentation


  • 107 Views
  • Uploaded on
  • Presentation posted in: General

数据挖掘原理与 SPSS Clementine 应用宝典 元昌安 主编  邓 松 李文敬 刘海涛 编著 电子工业出版社. 第十二章 神经网络. 本章内容. 1. 神经网络基本原理. 2. BP 神经网络. 3. RBF 神经网络. 4 . Hopfield 神经网络. 5 . SOFM 神经网络. 6 . 神经网络在数据挖掘中的应用. 神经网络基本原理 - 基本分类. 按五大个原则对神经网络进行归类: 按照网络的拓扑结构区分,有前向网络和反馈网络;

Download Presentation

数据挖掘原理与 SPSS Clementine 应用宝典 元昌安 主编  邓 松 李文敬 刘海涛 编著

An Image/Link below is provided (as is) to download presentation

Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -

Presentation Transcript


Spss clementine

数据挖掘原理与SPSS Clementine应用宝典

元昌安 主编 

邓 松 李文敬 刘海涛 编著

电子工业出版社


Spss clementine

第十二章 神经网络


Spss clementine

本章内容

1. 神经网络基本原理

2. BP神经网络

3. RBF神经网络

4. Hopfield神经网络

5. SOFM神经网络

6. 神经网络在数据挖掘中的应用


Spss clementine

神经网络基本原理-基本分类

按五大个原则对神经网络进行归类:

  • 按照网络的拓扑结构区分,有前向网络和反馈网络;

  • 按照学习方式区分,则分为有教师学习和无教师学习网络;

  • 按照网络性能区分,则有连续型和离散性网络,随机型和确定型网络;

  • 按照突触性质区分则有一阶线性关联网络和高阶非线性关联网络;

  • 按对生物神经系统的层次模拟区分,则有神经元层次模型,组合式模型,网络层次模型,神经系统层次模型和智能型模型。


Spss clementine

神经网络基本原理-网络模型

常见的神经网络模型有:

  • 全互连型结构;

  • 层次型结构;

  • 网孔型结构;


Spss clementine

神经网络基本原理-组成要素

人工神经网络由八个方面的要素组成,分别为:

  • 一组处理单元;

  • 处理单元的激活状态;

  • 每个处理单元的输出函数;

  • 处理单元之间的联接模式;

  • 传递规则;

  • 把处理单元的输入及当前状态结合起来产生激活值的激活规则;

  • 通过经验修改联接强度的学习规则;

  • 系统运行的环境。


Spss clementine

神经网络基本原理-学习方式

神经网络的学习方式主要分为 :

  • 有监督学习(supervised learning) ;

  • 无监督学习(Unsupervised Learning, 或称自组织self-organizing) ;

  • 自监督学习(self-supervised learning) ;


Spss clementine

BP神经网络-改进

改进的BP神经网络步骤如下:


Bp bp

BP神经网络-影响BP网络建模的因素

影响BP网络建模的因素主要有:

  • BP神经网络层数的确定;

  • BP神经网络中节点数的确定;

    (1)输入层节点数的确定;

    (2)隐层节点数的确定;

    (3)输出层节点数的确定。


Spss clementine

RBF神经网络-网络结构

  • 输入层由一些源点(感知单元)组成,将网络与外界环境连接起来;

  • 隐含层是非线性的,在输入空间到隐层空间之间进行非线性变换;

  • 输出层是线性的,对输入层的训练数据做出响应。


Spss clementine

RBF神经网络-基本步骤


Hopfield

Hopfield神经网络-基本结构


Hopfield hopfield

Hopfield神经网络-离散 Hopfield神经网络


Hopfield hopfield1

Hopfield神经网络-连续Hopfield神经网络

连续型 Hopfield网络(Continuous Hopfield Neural Network,简称CHNN)的输入与输出为连续可微且单调上升的函数,每个神经元的输入是一个随时间变化的状态变量,与外界输入和从其它神经元来的偏置信号有直接关系,同时也与其它神经元同它之间的连接权有关系。状态变量直接影响输入变量,使系统变成一个随时间变化的动态系统。


Spss clementine

SOFM神经网络-网络模型

SOFM是仅由输入层和输出层(竞争层)两层构成。网络上层是输出层,网络下层为输入层。常用的SOFM网络的输入层是线性排列的神经元。


Spss clementine

SOFM神经网络-基本算法


Spss clementine

神经网络在数据挖掘中的应用-步骤

基于神经网络方法的数据挖掘过程主要包括三个主

要阶段:

  • 选择与预处理数据为构造网络准备数据,包括训练数据和测试数据;

  • 网络训练与剪枝这个阶段需要选择拟采用的网络模型,选择或设计一种网络训练算法;

  • 规则提取与评估经过学习和剪枝之后,网络中蕴含着学习到的规则(知识),但以这种形式存在规则不易理解。


Spss clementine

神经网络在数据挖掘中的应用-评价

评价数据挖掘模型实现算法的优良与否,可根据以

下指标与特征 :

  • 在噪音和数据不完整的情况下,能否高质量建模;

  • 该模型必须为用户理解,并能用于决策;

  • 该模型可接受领域知识(规则的加入和提取) ,以提高建模质量 。


  • Login