b-样条权函数神经网络研究及其在数据挖掘中的应用

《b-样条权函数神经网络研究及其在数据挖掘中的应用》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、南京邮电大学硕士学位论文B-样条权函数神经网络研究及其在数据挖掘中的应用姓名：吴家宝申请学位级别：硕士专业：计算机应用技术指导教师：张代远20100601南京邮电大学硕士研究生学位论文摘要传统神经网络的权值是常数，训练的权值往往难以反映样本的信息；且在实际的应用中，传统的神经网络模型难以确定，网络至少是三层结构，并需要对隐含层进行反复的扩展或修剪。基于这些考虑，《神经网络新理论与方法》一书提出了权函数神经网络的算法。权函数神经网络的这一模型彻底打破了传统的神经网络结构复杂的缺点，简化了网络结构；其理论与方法彻底克服了

2、困扰学术界多年的传统算法的局部极小、收敛速度慢、难以求得全局最优点等缺陷。B样条权函数神经网络作为一种权函数神经网络，具有权函数神经网络的特点。本文在理论与算法部分首先构造了B样条权函数神经网络模型；接着又给出了通过样本点计算B样条权函数具体的过程；然后结合B样条权函数神经网络的模型对网络误差进行分析；最后，通过仿真实验，在均方差和训练时间方面将B样条权函数神经网络与传统BP、RBF神经网络算法进行了对比分析，验证了B样条权函数神经网络具有很高的逼近精度和很快的训练速度。本文在应用部分，给出了基于B样条权函数神经网络

3、的数据挖掘方法，对葡萄酒进行分类识别。通过与基于BP、RBF神经网络的数据挖掘方法相比，得出了B样条权函数神经网络具有很好的分类效果的结论。关键词：神经网络；权函数；B样条；误差；逼近；BP；RBF南京邮电大学硕士研究生学位论文AbstractThetraditionalneuralnetworksweightsa托constant,andthetrainingweightscouldnotreflecttheinformationofthesample．Inpracticalapplications，thetrad

4、itionalneuralnetworksmodelsarcdifficulttobesettled,asthenetworksarcatleastthree-layerstructuresandthehiddenlayerneedstobeextendedormodifiedagainandagain．Basedontheseconsiderations,themonograph,named‘'Thenewneuralnetworkstheoryandmethod'’，proposesweightfimctions

5、neuralnetworkslearningalgorithm．Splineweightfunctionsneuralnetworksbreakdownthetraditionalshortcomingsofthecomplexneuralnetworksstructurecompletelyandsimplifythenetworksstructure．Thetheoryandwayscompletelyovercomequestions，suchaSlocalmilliIl啕，slowconvergenceand

6、difficulttoobtaintheglobaloptimalpoint，whichtroubleacademiamanyyeas．Asaweightfunctionsneuralnetworks，B-splineweightfunctionneuralnetworkhasthecharacteristicsofweightfunctionsneuralnetworks．InthepartofthetheoryandalgorithmsB—splineweightfunctionneuralnetworkmode

7、lisconstructed；afterthat,specificprocessesofthecalculationofB-splineweightfunctionsthroughsamplepointsisgiven；andthenanalyzethenetworkerrortocombine、^，itllB·splinefunctionneuralnetwork．Finally,wecanconcludethatB·splineweightfunctionneuralnetworkhashighapproxima

8、tionaccuracyandfasttrainingspeedthroughsimulationexperiments，whichiscomparedwithconventionalBP,RBFneuralnetworksalgorithminthemeansquareerrorandtrainingtime．Intheapplication