基于神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)挖掘方法研究

周戈

摘要：本文將通過簡單介紹兩種常見的基于神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)挖掘類型，即自組織神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)挖掘以及模糊神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)挖掘類型出發(fā)，以RBF神經(jīng)網(wǎng)絡(luò)為例，著重圍繞基于神經(jīng)網(wǎng)路的數(shù)據(jù)挖掘方法進行簡要分析。

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò)；數(shù)據(jù)挖掘；具體方法

中圖分類號：TP311 文獻標識碼：A 文章編號：1007-9416（2017）04-0047-01

1 基于神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)挖掘類型

1.1 自組織神經(jīng)網(wǎng)絡(luò)

自組織神經(jīng)網(wǎng)絡(luò)下的數(shù)據(jù)挖掘，通過對數(shù)據(jù)組的具體特征以及數(shù)據(jù)與數(shù)據(jù)之間的關(guān)系入手，深入挖掘出數(shù)據(jù)實際內(nèi)容及內(nèi)在關(guān)聯(lián)等，對數(shù)據(jù)組之間的相互作用進行深層次分析，從而對數(shù)據(jù)性質(zhì)、類別等進行判定。當挖掘數(shù)據(jù)特征時，可以根據(jù)數(shù)據(jù)具體分布情況找出其中的規(guī)律特點，并以此為基礎(chǔ)，從神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)出發(fā)搭建其數(shù)據(jù)單元，從而對任意數(shù)據(jù)組進行比較分析，了解其具體性質(zhì)及差異等。但在保障處理數(shù)據(jù)信號速率的前提之下，需要選擇與數(shù)據(jù)組相對應(yīng)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)[1]。

1.2 模糊神經(jīng)網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)本身具有一定的局限性，在某些情況下難以全面闡述挖掘的數(shù)據(jù)結(jié)果，因此可以借助模糊神經(jīng)完成數(shù)據(jù)挖掘。在基于模糊神經(jīng)的數(shù)據(jù)挖掘當中，通過有效控制BP網(wǎng)絡(luò)數(shù)據(jù)的輸出節(jié)點，對數(shù)據(jù)輸出在網(wǎng)絡(luò)結(jié)構(gòu)當中的具體模式進行簡化，在對神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)本身的記憶能力、分析能力、聯(lián)想能力等進行最大限度保留的基礎(chǔ)之上，使用數(shù)值0與1表現(xiàn)出數(shù)據(jù)樣本期望值，從而使得數(shù)據(jù)輸出更加直接。

2 基于神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)挖掘方法

2.1 數(shù)據(jù)準備

基于RBF神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)挖掘，首先需要引導用戶根據(jù)其自身的實際需求，自行選擇位于數(shù)據(jù)訪問接口處的數(shù)據(jù)集，對其具體類型、名稱以及位置等進行明確。在此，筆者建議采用DAO/ODBC的數(shù)據(jù)庫訪問方案，相較于其他方案，其不僅可以和Microsoft Jet數(shù)據(jù)庫引擎同時使用，也可以通過使用ODBC Direct選項進行單獨使用，使得數(shù)據(jù)庫訪問更加方便快捷。之后，將利用SQL語句或是其他相關(guān)程序?qū)Σ恍枰挠^測值進行清理，避免其對數(shù)據(jù)挖掘造成干擾。在完成數(shù)據(jù)清理之后需要繼續(xù)使用SQL語句或者是其他與之有關(guān)的程序，將原本相互獨立的數(shù)據(jù)合并成為一個完整的數(shù)據(jù)集[2]。

2.2 數(shù)據(jù)挖掘

在RBF神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)挖掘中，挖掘數(shù)據(jù)的方法選擇與管理環(huán)節(jié)中需要根據(jù)用戶的實際需要為其挑選出最為合適的數(shù)據(jù)挖掘方法。并且妥善保管數(shù)據(jù)接口處產(chǎn)生的，所有與數(shù)據(jù)挖掘方法有關(guān)的信息，譬如說文本或是文件的分詞方法等等，一般具有較好普遍適用性的挖掘方法有粗糙集、決策樹等等。因此我們可以通過使用數(shù)學模型的方法，在RBF網(wǎng)絡(luò)當中完成網(wǎng)絡(luò)分類模型的構(gòu)建，之后使用數(shù)據(jù)挖掘技術(shù)中的預(yù)測分析技術(shù)，對已經(jīng)經(jīng)過分類的數(shù)據(jù)進行快速分析，在對數(shù)據(jù)結(jié)果進行科學分析之后直接將其傳遞到評估系統(tǒng)當中。而根據(jù)數(shù)據(jù)挖掘模型的實際情況，可以依照具體的挖掘需要進行修改調(diào)整或是重新構(gòu)建。為了能夠更加直觀地完成數(shù)據(jù)結(jié)果的輸出，可以通過采用樹狀圖、列表等方式展示數(shù)據(jù)挖掘結(jié)果，但筆者更建議使用可視化技術(shù)，通過電子屏幕直接顯示出數(shù)據(jù)挖掘結(jié)果，能夠更加方便用戶清晰、具體地掌握真實數(shù)據(jù)結(jié)果。在對數(shù)據(jù)挖掘結(jié)果進行評估過程中，可以通過對數(shù)據(jù)挖掘在各種模式下形成的效果進行對比分析，找出最優(yōu)的分析結(jié)果，并在其中清晰地標出標準圖標，一方面可以使得評估結(jié)果更加科學有效，另一方面也能夠為用戶的查詢?yōu)g覽提供便利。

2.3 安全保障

保障用戶在使用基于RBF神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)挖掘，是確保數(shù)據(jù)挖掘正常無誤的關(guān)鍵舉措之一，為此，應(yīng)當分別從保護數(shù)據(jù)安全和權(quán)限設(shè)置的內(nèi)外兩種保護措施入手。在保護數(shù)據(jù)安全方面，首先需要對客戶端進行安全控制，考慮到用戶需要利用網(wǎng)絡(luò)相服務(wù)器端傳輸數(shù)據(jù)，而網(wǎng)絡(luò)本身具有一定的虛擬性和不穩(wěn)定性，容易影響數(shù)據(jù)傳輸?shù)耐暾院桶踩裕虼丝梢酝ㄟ^加密數(shù)據(jù)，同時在服務(wù)器當中存儲用戶的數(shù)據(jù)挖掘結(jié)果，使得用戶即使登錄不同的計算機也不會影響其對數(shù)據(jù)挖掘結(jié)果的使用。而設(shè)置權(quán)限則指的是需要對用戶登錄注冊進行常規(guī)管理的基礎(chǔ)之上，將用戶進行科學合理的等級劃分，并為不同等級的用戶賦予相應(yīng)的權(quán)限，從而避免因用戶的非法登錄或是未授權(quán)訪問等影響數(shù)據(jù)的安全性[3]。

3 結(jié)語

總而言之，本文通過從簡單介紹自組織神經(jīng)網(wǎng)絡(luò)挖掘類型和模糊神經(jīng)網(wǎng)絡(luò)挖掘類型入手，對當前常見的兩種基于神經(jīng)網(wǎng)絡(luò)下的數(shù)據(jù)挖掘類型進行簡要分析，并在此基礎(chǔ)上以RBF神經(jīng)網(wǎng)絡(luò)為例，從數(shù)據(jù)準備包括數(shù)據(jù)的選擇、清理與合成，以及數(shù)據(jù)挖掘等方面出發(fā)，對基于神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)挖掘方法進行探究。但鑒于建立在神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上的數(shù)據(jù)挖掘具有較強的復雜性，因此本文還有諸多的不足之處有待日后進行加強改進。

參考文獻

[1]王磊，王汝涼.基于改進的BP神經(jīng)網(wǎng)絡(luò)方法的數(shù)據(jù)挖掘[J].廣西師范學院學報（自然科學版），2016，01：79-84.

[2]曹嘉杰，楊猛，徐新宇.基于RBF神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)挖掘方法探究[J].電腦知識與技術(shù)，2016，07：151-153.

[3]呂嫄.基于神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)挖掘方法研究[J].重慶文理學院學報（社會科學版），2015，02：122-124+128.