时序模式发现算法研究与改进

• 作 者: 张瑜
• 机 构: 河北工业大学
• 出 处: 河北工业大学
• 发表日期: 2003年01期
• 关键词: 数据挖掘 时序数据 时序模式 高阶人工神经网络 人工神经网络模式识别 BP算法 分类精度

数据挖掘(Data Mining)就是从大量的、不完全的、有噪声的、模糊的、随机的数据中，提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。被信息产业界认为是数据库系统最重要的前沿之一，是信息产业最有前途的交叉学科。 数据挖掘算法的好坏将直接影响到所发现知识的好坏。目前大多数的研究都集中在数据挖掘算法和应用上。本文根据数据挖掘领域的需求和现状，研究了复杂数据库中的时序数据库挖掘技术。主要从事的是，在时序数据中发现时序模式。 本文概述了时序模式发现所涉及的领域和学科的基本理论知识、目前的研究现状，并分析了它的研究意义。同时给出了本文的具体的工作，主要是：对在时序数据序列中发现模式问题进行了描述，并介绍了一种新的趋势逻辑表示方法，给出了其算法及算法的实验结果；对时序数据进行处理，提出了利用线段的斜率反正切值作为模式识别的样本，从而在分类时忽略模式的畸变；另外，还提出了一个新的基于高阶神经网络的时序模式发现算法。在这一算法中，作者运用了单层的高阶神经网络和分层方法。单层高阶神经网络没有隐含层节点的困扰，训练速度更快；模式分类能力更为强大；不存在局部最小的问题，模式分类精度更高；模式的不变性构建于网络结构之中等优点。分层方法能加快各节点神经网络的学习速度，也能提高模式划分精度。这两种技术使得算法的分类效果更好。给出了算法思想，并实现了此算法。 实验结果表明，作者提出的算法在分类的精度上有了一定的改善。 本文提出的算法，可以应用到具有时序数据的领域。同其他的时序模式发现算法相比较，具有几点创新：1)从分类精度的角度来改善时序模式发现算法；2)通过高阶神经网络，直接利用网络的特性忽略了时序模式的某些畸变；3)利用了分层方法，进一步改善分类精度。