基于Rough集的神經網絡分類器.pdf

1、作為挖掘隱藏于海量數(shù)據中有價值知識的數(shù)據挖掘技術，自20世紀80年代后期提出以來發(fā)展迅猛，現(xiàn)在廣泛應用于商業(yè)、電信、金融、生物學等領域。其中分類技術作為數(shù)據挖掘的一個研究熱點，如何構造一個高效的分類器是主要研究對象。本文充分利用Rough集和神經網絡各自的優(yōu)點，構造了基于Rough集的神經網絡分類器。 Rough集是一種處理不完整、不確定知識的數(shù)學工具，在不需要所處理數(shù)據之外任何知識的條件下可以發(fā)現(xiàn)數(shù)據中的規(guī)律。而作為Rough

2、集中核心概念之一的屬性約簡廣泛應用于對數(shù)據進行預處理，刪除數(shù)據中的冗余屬性。而神經網絡模擬生物神經處理元，通過不斷地學習，調整權值，建立處理問題的模型。其具有高度的非線性映射能力、并行性、魯棒性以及自組織和自學習能力，廣泛應用于分類數(shù)據。 Rough集和神經網絡都廣泛的應用于數(shù)據挖掘。但由于Rough集對數(shù)據中的噪聲數(shù)據敏感，而神經網絡對數(shù)據中的冗余數(shù)據的學習容易導致網絡訓練過度。因此本文首先使用Rough集對數(shù)據進行預處理，刪

3、除其中的冗余數(shù)據，然后將處理后的數(shù)據輸入神經網絡進行學習，構造了基于Rough集的神經網絡分類器。 本文主要研究內容如下： 第一，介紹了Rough集的基本概念，深入研究了Rough集中U/P算法，針對目前求U/P算法的不足，結合樹型結構提出了一種新的求U/P的數(shù)據結構――不可分辨關系樹，在此基礎之上實現(xiàn)了一個求解U/P的快速算法。 第二，將量子遺傳算法引入屬性約簡，結合傳統(tǒng)遺傳算法中的操作算子，在量子遺傳算法中加