Transcript RBF神经网络

数据挖掘原理与SPSS Clementine应用宝典
元昌安 主编
邓 松 李文敬
刘海涛
编著
电子工业出版社
第十二章 神经网络
本章内容
1. 神经网络基本原理
2. BP神经网络
3. RBF神经网络
4. Hopfield神经网络
5. SOFM神经网络
6. 神经网络在数据挖掘中的应用
神经网络基本原理-基本分类
按五大个原则对神经网络进行归类：
 按照网络的拓扑结构区分，有前向网络和反馈网
络；
 按照学习方式区分，则分为有教师学习和无教师
学习网络；
 按照网络性能区分，则有连续型和离散性网络，
随机型和确定型网络；
 按照突触性质区分则有一阶线性关联网络和高阶
非线性关联网络；
 按对生物神经系统的层次模拟区分，则有神经元
层次模型，组合式模型，网络层次模型，神经系
统层次模型和智能型模型。
神经网络基本原理-网络模型
常见的神经网络模型有：
 全互连型结构；
 层次型结构；
 网孔型结构；
神经网络基本原理-组成要素
人工神经网络由八个方面的要素组成，分别为：
 一组处理单元；
 处理单元的激活状态；
 每个处理单元的输出函数；
 处理单元之间的联接模式；
 传递规则；
 把处理单元的输入及当前状态结合起来产生激活
值的激活规则；
 通过经验修改联接强度的学习规则；
 系统运行的环境。
神经网络基本原理-学习方式
神经网络的学习方式主要分为 ：
 有监督学习(supervised learning) ；
 无监督学习(Unsupervised Learning, 或称自组
织self-organizing) ；
 自监督学习(self-supervised learning) ；
BP神经网络-改进
改进的BP神经网络步骤如下：
BP神经网络-影响BP网络建模的因素
影响BP网络建模的因素主要有：
 BP神经网络层数的确定；
 BP神经网络中节点数的确定；
(1)输入层节点数的确定；
(2)隐层节点数的确定；
(3)输出层节点数的确定。
RBF神经网络-网络结构
输入层由一些源点(感知单元)组成，将网络与外界环
境连接起来；
 隐含层是非线性的，在输入空间到隐层空间之间进行
非线性变换；
 输出层是线性的，对输入层的训练数据做出响应。

RBF神经网络-基本步骤
Hopfield神经网络-基本结构
Hopfield神经网络-离散 Hopfield神经网络
Hopfield神经网络-连续Hopfield神经网络
连续型 Hopfield网络(Continuous Hopfield
Neural Network，简称CHNN)的输入与输出为
连续可微且单调上升的函数，每个神经元的输入
是一个随时间变化的状态变量，与外界输入和从
其它神经元来的偏置信号有直接关系，同时也与
其它神经元同它之间的连接权有关系。状态变量
直接影响输入变量，使系统变成一个随时间变化
的动态系统。
SOFM神经网络-网络模型
SOFM是仅由输入层和输出层(竞争层)两层构成。
网络上层是输出层，网络下层为输入层。常用的
SOFM网络的输入层是线性排列的神经元。
SOFM神经网络-基本算法
神经网络在数据挖掘中的应用-步骤
基于神经网络方法的数据挖掘过程主要包括三个主
要阶段：
 选择与预处理数据为构造网络准备数据，包括训
练数据和测试数据；
 网络训练与剪枝这个阶段需要选择拟采用的网络
模型，选择或设计一种网络训练算法；
 规则提取与评估经过学习和剪枝之后，网络中蕴
含着学习到的规则(知识)，但以这种形式存在规
则不易理解。
神经网络在数据挖掘中的应用-评价
评价数据挖掘模型实现算法的优良与否，可根据以
下指标与特征 ：
 在噪音和数据不完整的情况下，能否高质量建模；
 该模型必须为用户理解，并能用于决策；
 该模型可接受领域知识(规则的加入和提取) ，以
提高建模质量 。