1、早在上世紀八十年代初期,美國未來學(xué)家JohnNaisbitt在其首部著作《Megatrends》中提到:“人類正被信息淹沒,卻饑渴于知識。”計算機硬件的快速發(fā)展為人類提供了大量的數(shù)據(jù)采集工具和存儲設(shè)備;數(shù)據(jù)庫技術(shù)的成熟與普及已經(jīng)使人類積累的數(shù)據(jù)量以“J”型曲線趨于直線式的增長;互聯(lián)網(wǎng)技術(shù)的出現(xiàn)與發(fā)展已經(jīng)將整個世界連為一體,人們可以穿越時間空間在網(wǎng)上進行信息的交換和工作。在這個信息爆炸的時代,面對著浩瀚無垠的信息世界,人們渴求一種去粗取精

2、技術(shù)將龐大的數(shù)據(jù)轉(zhuǎn)換成需要的知識表達出來。數(shù)據(jù)挖掘(DataMining,DM)就在這樣一個時代背景下應(yīng)運而生。
　　數(shù)據(jù)挖掘常采用的算法及理論有粗糙集(RoughSets)理論、人工神經(jīng)網(wǎng)絡(luò)(Artificialneuralnetworks)、決策樹(Decisiontrees)、遺傳算法(Geneticalgorithms)、聚類(Clustering)、分類(Classification)等。
　　粗糙集理論是1982

3、年由Z.Pawlak提出的通過不可分辨關(guān)系或者不可分辨類確定沒有給定某些特征或者屬性情況下的近似區(qū)間,從而確定內(nèi)部屬性一些關(guān)系的工具。在處理大數(shù)據(jù)量、消除冗余信息等方面,粗糙集理論有著很好的效果。所以粗糙集在數(shù)據(jù)挖掘領(lǐng)域的應(yīng)用有著廣泛的發(fā)展前景和應(yīng)用價值。但是,由于粗糙集理論對錯誤描述的確定性機制過于簡單,所以對對象的噪聲比較敏感。
　　人工神經(jīng)網(wǎng)絡(luò)由于魯棒性強,分類精度高,對噪聲數(shù)據(jù)不敏感等優(yōu)點,在機器學(xué)習(xí)、模式識別等領(lǐng)域得到了

4、廣泛的應(yīng)用。然而,神經(jīng)網(wǎng)絡(luò)面對數(shù)據(jù)挖掘中的高維和超大規(guī)模問題,其學(xué)習(xí)的速度緩慢,易造成網(wǎng)絡(luò)訓(xùn)練過度,規(guī)則生成方面較差等表現(xiàn)出的缺陷更為明顯,原有的神經(jīng)網(wǎng)絡(luò)算法在效率和可擴展方面都會出現(xiàn)一些問題。
　　針對以上問題,提出了一種融合了RBF神經(jīng)網(wǎng)絡(luò)和粗糙集理論的數(shù)據(jù)挖掘新方法,應(yīng)用于大型數(shù)據(jù)庫中挖掘分類的規(guī)則。人工神經(jīng)網(wǎng)絡(luò)中的BP神經(jīng)網(wǎng)絡(luò)在數(shù)據(jù)挖掘中應(yīng)用廣泛,但我們在實際中通過神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)預(yù)處理方法的對比,發(fā)現(xiàn)RBF神經(jīng)網(wǎng)絡(luò)收斂速度