1、數(shù)據(jù)挖掘是一門從大規(guī)模數(shù)據(jù)中提取有用信息和知識的新興技術(shù),分類是數(shù)據(jù)挖掘的一項重要內(nèi)容.面對大規(guī)模、高維的數(shù)據(jù),如何建立有效的,可擴展的分類數(shù)據(jù)挖掘算法是數(shù)據(jù)挖掘研究的重要方向之一.在分類數(shù)據(jù)挖掘中,屬性選擇和規(guī)則抽取是兩個最重要的工作.神經(jīng)網(wǎng)絡(luò)是數(shù)據(jù)挖掘的一個重要工具,而現(xiàn)有的神經(jīng)網(wǎng)絡(luò)屬性選擇方法必須對全部屬性進(jìn)行訓(xùn)練和裁剪,造成網(wǎng)絡(luò)規(guī)模過大,訓(xùn)練量大,效率低下的缺陷,為了克服這些缺陷,必須提出新的方法.該文以神經(jīng)網(wǎng)絡(luò)為主要研究方法,

2、并結(jié)合模糊邏輯技術(shù),對分類數(shù)據(jù)挖掘中的屬性選擇和規(guī)則抽取兩個問題提出了一些有效的算法,具體的研究工作如下:提出了一種基于輸入輸出關(guān)聯(lián)法排序的RBF神經(jīng)網(wǎng)絡(luò)屬性選擇方法.由于屬性選擇是一個NP-HARD問題,現(xiàn)有的屬性選擇方法計算過于復(fù)雜,效率低下.該文提出一種新的屬性選擇方法.該方法先用輸入輸出關(guān)聯(lián)法對所有屬性進(jìn)行重要性排序,然后根據(jù)屬性重要性次序用RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行屬性選擇.該方法避免了現(xiàn)有的神經(jīng)網(wǎng)絡(luò)降維方法必須對全部屬性進(jìn)行訓(xùn)練和裁

3、剪的弊端,大大提高了屬性選擇的效率.提出了一種可分性判據(jù)排序的RBF神經(jīng)網(wǎng)絡(luò)屬性選擇方法.該方法先用可分性判據(jù)計算每個屬性的重要度,并對其進(jìn)行排序,然后根據(jù)屬性重要性次序用RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行屬性選擇.提出了一種基于降維的概率神經(jīng)網(wǎng)絡(luò)模糊規(guī)則抽取方法.該方法先用上面的屬性選擇方法從原始屬性集中選擇部分最重要的屬性,然后對這部分屬性進(jìn)行模糊化處理,接著用概率神經(jīng)網(wǎng)絡(luò)進(jìn)行模糊規(guī)則抽取.該方法通過屬性選擇減少了神經(jīng)網(wǎng)絡(luò)訓(xùn)練規(guī)模,避免了對神經(jīng)網(wǎng)絡(luò)