基于BP神经网络算法的数据挖掘方法研究
基于改进BP神经网络算法的数据挖掘技术的研究
它是基于梯度法的极小化二次性能指标函数， 即Ｅ＝∑ ＿ Ｅ ｍｌｋ
～ ｎ。
式 ， 为 部 差 数即ｋ＞ （） ∑ －ｋ ∑ 中Ｅ 局 误 函 ，Ｅ ． １ Ｙ ｅ ｋ ； ｋ ｋ ＝ ｋ ｅ＝ ）
寻 求 目标 函数 的极小 有两 种 基本 方法 ， 即逐 个处 理和 成批 处理 。所 谓逐 个处理 ， 既随 机依 次输 入样本 ， 每输 入一个 样本 都进 行连 接权 的调整 。所谓成 批 处 理， 在所 有 样本 输入 后 计 算其 总 误差 进 行 。 是
文章编 号 ：０ ９ ９ ４ ２ １ ） １ ０ ５ ２ １ ０ — １Ｘ（０ ０ ３ ０ ７ ０
１数据 挖掘 技 术 数据 挖掘技 术 （ａ ａ Ｍｎ ｎ ｅｈ ｏ ｏ ｙ 是运 爿基于 计算机 的 方法， Ｄ ｔ ｉ ｉｇ Ｔ ｃｎ ｌ ｇ ） ｊ 包括新 技术， 而在大 量 的数 据 中获得 有效 的 、 从 潜在有 用价 值 的、 终可理 解 最 的模 式 的非平 凡过程 。 用数 据挖 掘技术 到数 据处 理 中， 以提 高数据 处理 效 应 可 率、发现数 据之 间存在 的关 系， 改变 目前数 据 分析人 员更 多地依 赖 自身 的直 觉和 经验 来进 行判 断 的局 面， 为企业 带来 利益 ， 为科 学研 究寻 找最 佳解 决 或
设 隐含层 数 为 Ｌ 第 ｒ隐含层 连接 权 ｗｒ 阵第 Ｐ行 的调整 方程 为 ： Ｉ 矩
Ａ Ｗ
口
（ 咄 一 ｌ ｈ ” １ ｆ ｒ ） ： Ｗ （ ： ，ｐ ， Ｏ ２ ＂ ｗ”
其 ≤ （ 中 ｝＝ ｒ ｈ
当 ｒ ＝Ｌ 时 ，ｈ ” ｋ ， 由上 式 分 析 可 见 ， 隐 含 层 局 部 的 误 差 ＝ｘ ，
《 （ ０ ， 的 算是以 层的 误差为 础的 即 算 ＝，） 计 ｒ １ ２ 高 局部 基 ， 在计 过程中 部误 局
基于BP神经网络算法的数据挖掘方法研究概要
2011.18电脑编程技巧与维护1引言近年来,随着网络和数据库技术的发展,大规模的数据出现在人们的日常生活之中。
对于这些数据为人们进行管理决策都十分有用,为了从这些数据集中发现对人们有帮助的信息,就诞生了数据挖掘技术。
2背景技术2.1数据挖掘数据挖掘(Data Mining technology 这一术语最早出现于1989年,在此之后,该术语的定义几经变动,引用U.Fayyad 等对数据挖掘的定义[1]:数据挖掘是从大量的数据中挖掘出有效的、新颖的、具有潜在价值的可理解的模式非平凡过程。
数据挖掘的主要作用就是对大型数据中的海量业务数据进行数据预处理、数据分析和模型化处理,以便从中挖掘出能够辅助决策的隐藏的数据信息,这些有用的数据信息在数据挖掘中就用隐含的数据模式表现出来,这些数据模式便于人们理解和观察,基于领域知识可以获得决策分析意见和结论[2]。
数据挖掘所涉及的学科广泛,挖掘方法种类也是多种多样,他们的主要任务主要包括以下4种,这也是数据挖掘的最重要的4个任务:(1分类(Classification 。
数据挖掘中分类的任务主要是训练分类函数或者分类模型,也成为分类学习器,该学习器能够按照预定义的模型把数据库中的数据项映射指定的类别中,也成为有监督学习任务。
(2汇总(Summarization 。
该任务的主要目的是对数据进行提取,给出一个比较集中的描述形式,数据挖掘中从数据泛化的角度研究数据汇总,也是把数据从较低层次抽象到高层的过程。
(3聚类(Clustering 。
聚类任务是把一个个的数据对象按照类内高度相似类间高度相异的方法把数据组织到一块,实现“物以类聚”的目的,便于人们观察理解。
(4关联规则(Association Rule 。
数据挖掘的关联规则的目的是根据数据发生的时间,序列等信息确定关联的数据。
实现数据挖掘的方法有许多,下面就介绍一下神经网络在数据挖掘中的应用。
2.2神经网络原理神经网络(Neural Network 的原理是模拟动物神经网络行为特征,通过调整网络内部节点的连接权值,并行处理分布式信息。
基于遗传算法优化BP神经网络模式在数据挖掘的研究
１ Ｂ Ｐ神 经 网络 模 型
Ｂ Ｐ神经 网络算 法 的多 层 前馈 神经 网络 是 现在 使 用 最 多 的人 工神经 网络 ， 为方便讨 论本 文 以三层结 构为 讨论 对 象 ， 三 层前 馈 网络包括 输入 层 、 隐层 和输 出层 。如 图 １ 所示 。
择股 票 。现在很 多公 司 的数 据 库 的数 据量 很 大 ， 但 只能 实 现数据 的 录入 、 查询 等较简 单 的应用 ， 却不 能获 得数 据 中各种
＝ 耋 有 用信 息 ， 所 以数据挖 掘 技 术 在实 际应 用 中很 重 要 。现 在很 多 的挖 掘技 术存 在一 定 的缺 陷 ， 如 挖 掘精 度 不 高不 能 反 映 实
ｏ ｆ ｃ ｕ ｓ ｔ ｏ ｍｅ ｒ ｒ ｅ ｌ ａ ｔ ｉ ｏ ｎ ｓ ｈ ｉ ｐ ｍａ ｎ ａ ｇ ｅ ｍｅ ｎ ｔ ｓ ｙ ｓ ｔ ｅ ｍ， ａ ｎ ｄ ａ ｐ ｐ ｌ ｙ ｔ ｈ ｉ ｓ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ ｔ ｏ ｔ ｈ ｅ ｄ ａ ｔ ａ ｍｉ ｎ ｉ ｎ ｇ ｏ ｆ ｃ ｕ ｓ ｔ ｏ ｍｅ ｒ ｒ ｅ ｌ ａ ｔｔ ｅ ｍ．
Ｔ ｈ ｒ ｏ ｕ ｇ ｈ ｔ ｈ ｅ ｅ ｘ ｐ ｅ ｉ ｒ ｍｅ ｎ ｔ ａ ｌ ｃ ｏ ｍｐ ａ ｉｓ ｒ ｏ ｎ， ｔ ｈ ｅ ｉ ｍｐ ｒ ｏ ｖ ｅ ｄ Ｐ Ｂ ａ ｒ ｔ ｉ ｉ ｆ ｃ ｉ ａ ｌ ｎ ｅ ｕ ｒ ａ ｌ ｎ ｅ ｔ ｗ ｏ ｒ ｋ ｍｏ ｄ ｅ ｌ ｏ ｆ ｇ ｅ ｎ ｅ ｔ ｉ ｃ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ ｔ ｏ ｓ ｏ ｌ ｖ ｅ ｔ ｈ ｅ ｆ ｏ ｒ ｍｅ ｒ ｓ ｅ ｖ ｅ ｒ ａ ｌ
基于遗传算法优化 Ｂ Ｐ神经网络模 式在数据挖掘的研究
基于神经网络算法的数据挖掘技术应用研究
基于神经网络算法的数据挖掘技术应用研究随着互联网和大数据技术的迅猛发展，数据挖掘技术越来越受到人们的关注和重视。
数据挖掘是指从数据集中挖掘出隐藏在其中的模式、关系和规律的一种技术，具有广泛的应用场景，例如金融、医疗、教育等领域。
在数据挖掘技术中，神经网络算法是一种重要的方法之一。
本文将基于神经网络算法，探讨其在数据挖掘技术方面的应用研究。
一、神经网络算法简述神经网络是一种高度并行的计算模型，它由许多简单的神经元按照特定的拓扑结构相互连接而成。
神经网络在模拟人类神经系统的同时，具有自学习和自适应性等特点。
神经网络算法是一种基于统计分析的方法，它可以对大量数据进行处理和分析，从而挖掘出其中的隐藏规律和关系。
二、神经网络算法在数据挖掘中的应用神经网络算法在数据挖掘中有着广泛的应用。
例如，可以通过神经网络算法来进行分类和预测。
在银行行业中，可以根据客户的信用评级、贷款记录等信息，利用神经网络算法来预测其是否有还贷能力。
在医疗领域中，可以利用神经网络算法来对病人的病情进行分类，从而更好地为其提供医疗服务。
此外，神经网络算法还可以用于图像识别、语音识别和自然语言处理等领域。
三、神经网络算法研究的发展趋势随着深度学习技术的不断发展，神经网络算法在数据挖掘领域的应用也将得到进一步的拓展和深化。
未来，神经网络算法将不仅仅用于数据分类和预测，还将逐步应用于数据挖掘领域的更多方面。
例如，神经网络算法在模拟人类认知过程方面的应用也值得期待。
此外，人工智能技术的快速发展也为神经网络算法的研究提供了更多的可能，大数据、云计算等技术的不断创新也将为神经网络算法的应用带来更多的潜力。
四、神经网络算法的优势和不足作为一种先进的数据挖掘技术，神经网络算法具有许多优势。
例如，它可以通过学习大量的数据，自动识别其中的模式和规律。
同时，它还可以进行决策分类和预测等操作，为人们的决策提供更多的依据。
但神经网络算法也存在着一些不足之处。
例如，它需要大量的训练数据，同时训练的时间也比较长。
基于神经网络计算的数据挖掘方法研究
基于神经网络计算的数据挖掘方法研究冯欢欣（大连外国语学院，辽宁大连１１６００２）【摘要】数据挖掘（ＤａｔａＭｉｎｉｎｇ）能够从大量模糊和随机的数据中提取潜在有用的信息和知识，对于知识发现、商业数据分析、数据融合以及决策支持具有重要意义。
文章给出了数据挖掘方法的研究现状，讨论了基于神经网络计算的数据挖掘方法，指出了其存在的问题和发展趋势。
【关键词】神经网络计算；数据挖掘；商业决策【中图分类号】ＴＰ３１【文献标识码】Ａ【文章编号】１００８－１１５１（２００６）０８－００９５－０２大众科技ＤＡＺＨＯＮＧＫＥＪＩ２００６年第８期（总第９４期）Ｎｏ．８，２００６（ＣｕｍｕｌａｔｉｖｅｌｙＮｏ．９４）一、数据挖掘技术简介近十几年来，人们利用信息技术生产和搜集数据的能力大幅度提高，大量数据库被用于商业管理、政府办公、科学研究和工程开发等等，这一势头仍将持续发展下去。
于是，一个新的挑战被提了出来：在这被称之为信息爆炸的时代，如何处理这海量的信息已成为我们需要面对的问题。
为解决这一问题，数据挖掘和知识发现技术应运而生，并得以蓬勃发展，越来越显示出其强大的生命力。
数据挖掘（ＤａｔａＭｉｎｉｎｇ）就是从大量的、不完全的、有噪声的、模糊的、随机的数据中，提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。
还有很多和这一术语相近似的术语，如从数据库中发现知识（ＫＤＤ）、数据分析、数据融合（ＤａｔａＦｕｓｉｏｎ）以及决策支持等。
人们把原始数据看作是形成知识的源泉，就像从矿石中采矿一样。
原始数据可以是结构化的，如关系数据库中的数据，也可以是半结构化的，如文本、图形、图像数据，甚至是分布在网络上的异构型数据。
发现知识的方法可以是数学的，也可以是非数学的；可以是演绎的，也可以是归纳的。
发现了的知识可以被用于信息管理、查询优化、决策支持、过程控制等，还可以用于数据自身的维护。
因此，数据挖掘是一门很广义的交叉学科，它汇聚了不同领域的研究者，尤其是数据库、人工智能、数理统计、可视化、并行计算等方面的学者和工程技术人员，其研究具有重要意义。
基于神经网络的数据挖掘方法研究
基于神经网络的数据挖掘方法研究基于神经网络的数据挖掘方法研究数据挖掘是在大数据背景下迅速崛起的一种重要技术。
随着互联网和计算机技术的迅猛发展，大量的数据被广泛产生和应用。
如何从这些海量数据中提取有用的信息并作出准确可靠的预测，成为了数据挖掘领域的核心问题。
在数据挖掘中，神经网络被广泛应用于模式识别、分类、回归等任务。
神经网络模型是一种模仿生物神经网络机制的信息处理系统，具有自适应、非线性、并行处理等特点。
在数据挖掘中，基于神经网络的方法不仅能够处理结构复杂、非线性的数据，还能适应动态变化的环境。
首先，基于神经网络的数据挖掘方法能够提供更准确的预测结果。
神经网络模型通过学习样本数据的特征和规律，能够自动调整权重和阈值，达到最佳的输出。
与传统的统计方法相比，神经网络具有更强的非线性拟合能力，能够更好地处理特征之间的复杂关系。
因此，基于神经网络的数据挖掘方法在预测任务中具有更高的准确性和预测能力。
其次，基于神经网络的数据挖掘方法能够挖掘更深层次的数据关联。
神经网络模型可以通过多层的隐藏层来建模复杂的非线性关系。
隐藏层和输出层之间的权值矩阵可以捕捉到不同特征之间的高阶关系，从而提高对数据的抽象和理解能力。
这种深层次的挖掘使得基于神经网络的方法能够识别和发现隐藏在数据中的更多信息和规律。
另外，基于神经网络的数据挖掘方法还能够进行特征提取和维度约简。
神经网络模型可以自动地学习和提取最具代表性的特征，从而减少冗余特征对预测结果的干扰。
通过降低特征的维度，不仅能够提高模型的计算效率，还能够减少过拟合的风险，提高模型的泛化能力。
除此之外，基于神经网络的数据挖掘方法还能够进行异常检测和数据分类。
神经网络模型可以通过学习正常数据的分布规律，判断新数据是否属于异常类别。
这种异常检测方法可以应用于金融欺诈检测、网络安全监测等领域，能够帮助快速发现潜在的异常事件。
同时，基于神经网络的分类算法能够将数据实例划分到不同的类别中，从而实现对数据的有效分类和统计。
基于神经网络的数据挖掘算法研究
基于神经网络的数据挖掘算法研究数据挖掘是从海量数据中发掘出有用信息或者知识的过程，它可以应用于各个领域，包括商业、科学、医疗等等。
数据挖掘算法作为数据挖掘的核心，其性能优劣之间的差距很大，对研究者的能力和经验要求也很高。
近年来，随着神经网络技术的不断进步，基于神经网络的数据挖掘算法也成为了研究的热点之一。
本文将从神经网络算法入手，展开关于基于神经网络的数据挖掘算法研究的讨论，探究其细节和应用。
1.神经网络算法的基本原理神经网络具有模仿人类大脑神经元结构和学习机制的特点。
神经网络算法由输入层、隐藏层、输出层组成，其最基本的组成部分是神经元。
神经元接收来自其他神经元的信号，通过权值调节和激活函数的处理，将信号传递给下一层神经元。
神经网络算法通过不断调节神经元之间的权值，优化模型，实现预测或分类等任务。
2.基于神经网络的数据挖掘算法分类基于神经网络的数据挖掘算法主要包括回归算法、分类算法和聚类算法。
回归算法用于预测数值型数据，其中最常用的算法有BP神经网络和RBF神经网络。
分类算法用于将数据分类到某个类别，其中最常用的算法是多层感知机（MLP）神经网络和自组织映射（SOM）神经网络。
聚类算法用于将数据根据相似性进行分组，其中最常用的算法是自适应共振理论（ART）神经网络和K-Means网络。
3.神经网络算法的优势相较于传统的数据挖掘算法，基于神经网络的数据挖掘算法具有以下优势：（1）对大规模、高维度的数据具有更好的适应性。
（2）具有较强的非线性建模能力，能够处理复杂的关系。
（3）具有较好的泛化性能，能够避免过拟合。
（4）能够从噪声数据中提取有效特征。
（5）能够进行增量学习，适应动态的数据环境。
4.基于神经网络的数据挖掘算法研究应用（1）基于神经网络的销售预测基于神经网络的销售预测是商业领域中一个经典的应用场景。
通过以往的销售数据作为训练数据，建立神经网络模型，可以预测未来的销售量。
此外，还可以通过模型分析，提取出影响销售的重要特征。
基于BP人工神经网络改进算法的数据挖掘技术应用研究
基于BP人工神经网络改进算法的数据挖掘技术应用研究黄晓亚
【期刊名称】《南通职业大学学报》
【年(卷),期】2007(021)004
【摘要】在阐述数据挖掘技术的产生背景、过程和一些常用方法的基础上,针对原有BP神经网络算法效率较低、易陷入局部极小等不足,提出了一种改进的BP算法,并对其进行推理和验证:同时将其应用到病人数情况预测中.结果表明,与标准的BP 算法相比,改进的BP算法具有更好的精度和更高的效率.
【总页数】4页(P68-71)
【作者】黄晓亚
【作者单位】南通职业大学,电子工程系,江苏,南通,226007
【正文语种】中文
【中图分类】TP18
【相关文献】
1.基于BP人工神经网络改进算法的绝缘子污秽预测 [J], 苏渊;刘赟
2.基于改进遗传算法的网络差异数据挖掘算法 [J], 王慧;张翠羽
3.基于FP算法改进的多层次关联规则数据挖掘算法 [J], 操漫成
4.基于HORAFA算法的改进增量数据挖掘算法 [J], 党圣鸣;高敬媛;姚宏
5.基于隶属度函数的BP人工神经网络改进算法 [J], 徐雅斌;杜鹏
因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
及的学科 广泛 ，挖掘方法种类也是多种多样 ，他们 的主要任务
主要包括 以下 ４种 ，这也是数据挖掘的最重要 的 ４个任务 ：
（）分类 （ｌｓｉｃｔ ｎ 。数据挖 掘中分类的任务 主要是 １ Ｃａｓ ｉ ｉ ） ｆａｏ
输入层 隐含层 输 出层
训练 分类 函数或者分 类模 型 ，也成 为分类 学 习器 ，该 学习 器 能够按 照预定 义 的模 型把数据 库 中的数据 项映射 指定 的类别 中，也成为有监督学习任务 。 （） 汇总 （ｕ ａｉ ｔ ｎ 。该 任务 的主要 目的是对 数据 ２ Ｓ ｍｍ ｒ ａ ｏ） ｚｉ 进行提取 ，给出一个 比较集 中的描述 形式 ，数据 挖掘 中从数 网络算法 的数据挖 掘方法研 究
蒋 菱 。叶 明亮
（ 四川大学计算机学院 ，成都 ６ ０ ０ ） １２ ７
摘
要 ： 详 细介 绍 了数据挖掘技 术的相关概念 、任务 以及神 经 网络原理 ，指 出了传统的 Ｂ Ｐ算法在数据挖掘过程 中
的不足之 处 ，提 出了一种 变异 的 Ｂ Ｐ神 经网络 算法 ，大大提 高 了 Ｂ Ｐ神 经网路 算法的收敛速度 。 关键词 ： 数据挖掘 ； 经网络 ； Ｐ算法 神 Ｂ
有效 的 。神 经网络通 常用 于解 决分类 和 回归两类 问题 ，神经 网络模 型 的结 构主要 包括输 入层 、输 出层 和隐含层 ，其 中输
入层 中的节 点代表一 个个预测 变量 ，输 出层 中的节点代 表 目
等对数据挖掘的定义 ［ １ １ ：数据挖掘是从大量的数据 中挖掘出有 效 的、新颖的 、具有潜在价值的可理解的模 式非平凡过程。数 据挖掘的主要作用就是对大型数 据中的海 量业 务数 据进 行数 据 预处理 、数据分析和模 型化处理 ，以便从 中挖 掘出能够 辅助决
实 现数据挖 掘 的方法 有许 多 ，下面 就介绍 一下神 经 网络 在数 据挖掘 中的应用 。 ２２ 神经网络原理 ．
神经 网络 （ ｅ ｒｌ ｅ ｏ ） 的原理是模 拟动 物神经 网络 Ｎ ｕａ Ｎ ｔ ｒ ｗｋ 行为 特征 ，通 过调整 网络 内部 节点 的连接权 值 ，并 行处 理分 布式信 息 。为解决具 有上百个 甚至更 多的参 数 的复杂 问题而
ｗ ｒ ｓ ｔ ｅ ｎ ｒ ｄ ｃ ｓｔ ｅ ｔａ ｉ ｏ ａ Ｐ ａ ｇ ｒ ｈ ｏ ｋ ， ｈ ｎ ｉ ｔｏ ｕ ｅ ｒ ｄ ｔ ｎ ｌＢ ｌ ｏ ｔ ｍ， ０ ｎ ｈ ｔ ｅ ｔ ｄ ｔ ｎ ｌＢ ｇ ｒ ｈ ｉ ａａ ｍｉ ｉ ｇ ｐ ｏ ｅ ｓｉ ａ ｅ ｕ － ｈ ｉ ｉ ｆｕ ｄ ｔ ａ ｒ ｉｉ ａ Ｐ ａ ｏ ｉ ｍ ｎ ｄ ｔ ｎ ｎ ｒ ｃ ｓ ｎ ｄ ｑ ａ ｈ ｔ ａ ｏ ｌ ｔ ｅｅ ， ｉ ｐ ｅ ｅ ｔ ａ ｉｔ ｎ Ｂ ｅ ｒ ｌ ｅｗｏ ｋ ａ ｇ ｒｔ ｍ， ｉｈ ｇ ｅ ｔ ｍｐ ｏ ｅ ｅ ｒ ｓｒ ｉ ｔ ｆＢ ｅ ｒ ｌ ｅｗｏｋ ａｇ ． ｉ ｓ ｔ ｓ ｒ ｓ ｎ ｓａ ｖ ｒ ｉ Ｐ ｎ ｕ ａ ｔ ｒ ｌ ｏｉ ｈ ａｏ ｎ ｈ ｗｈ ｃ ｒ ａ ｙ ｉ ｒ ｖ ｄ ｔ ｅ ｔａｎ Ｐ ｎ ｕ ａ ｔ ｒ ｌｏ ｌ ｈ ｏ ｎ
Ｋｅ ｒ ｓ ｄ ｔ ｎ ｎ ｙ ｗｏ ｄ ： ａ ａｍｉ ｉ ｇ； ｅ ｒ ｌ ｅｗ ｒ ＢＰ ａｇ ｒ ｈ ｎ ｕ ａ ｔ ｏ ｋ； ｌ ｏ ｉ ｍ ｎ ｔ
１ 引言
近年来 ，随着 网络和数 据库 技术 的发展 ，大规 模 的数 据 出现在人 们的 日常生活之 中 。对 于这些 数据 为人们 进行管 理 决 策都十 分有用 ，为 了从 这些数据 集 中发现对 人们 有帮助 的
提 出了神经 网络模型 ，该模 型在众 多的方法 中是相 对简 单和
信息 ， 就诞生 了数据挖掘技术 。
２ 背 景 技术
２１ 数 据 挖 掘 ．
数 据挖掘 （ ａ ｉｉｇｔｃｎｌｇ）这 一术语最 早 出现 于 Ｄ ｔ Ｍ ｎｎ ｈ ｏ ｙ ａ ｅ ｏ １８ ９ ９年 ，在此之后 ，该术语 的定义 几经变 动 ，引用 Ｕ Ｆ ｙａ ． ａｙｄ
标变 量 ，每一 层 的节 点都允许 有多个 ，位 于输 入层 和输 出层 之 间的是 隐含 层 ，神 经网络模 型 的复 杂度 主要取决 于 隐含层 的层数和节点数 ，图 １ 表示神经 网络模型图。
策的隐藏的数据信 息 ，这些 有用 的数 据信 息在数据 挖掘 中就 用
隐含的数据模式表现出来 ，这些数据模式便 于人们理解 和观察 ， 基于领域知识 可以获得决策 分析 意见 和结论 目 。数据挖 掘所 涉
Ｓ ｕ ｙ ｏ ｔ ｉ ｉ ｇ Ｍ ｅ ｈ ｄ Ｂａ ｅ ｎ ＢＰ Ｎｅ ｒ ｌＮｅ ｗｏ ｋ Ａｌ ｏ ｉｈ ｔ ｄ ｆＤａ ａ Ｍ ｎ ｎ ｔ ｏ ｓ ｄ ｏ ｕ ａ ｔ ｒ ｇ ｒｔ ｍ
Ｊ ＡＮＧ ｎ Ｉ Ｌｉ ｇ， ＹＥ ｉ ｇｉｎ Ｍ ｎｌ ｇ ａ （ ｏ ｅｅｏ ｏ ｕｅ ｃｅｃ Ｓｃｕ ｎＵｎｖｒｉ Ｃ ｅｇ ｕ６０ ０ ） Ｃ Ｈ ｇ ｆ ｍｐ ｔｒ ｉｎ ｅ， ｉｈ ａ ｉｅｓ ｙ， ｈ ｎ ｄ １２ ７ Ｃ Ｓ ｔ
图 １神 经 网 络 模 型