径向基函数网络结构确定的新算法

讨论了对于径向基函数网络的一种结构确定双向回归新算法．在这种算法中,采用正交化手段和“新息-贡献”准则,可同时确定径向基函数网络的结构（即中心点）和参数估计,不仅克服了传统算法的从一大组输入数据中任意选择中心点常出现的数值病态和选择结果依赖于数据排列顺序等问题,而且大大减少了计算量且保证能得到唯一的最优网络描述．最后用仿真例子说明了这种新算法的正确性和有效性．     

基于GMM-RBF神经网络的前列腺癌诊断方法

 前列腺癌是近年来发病率上升速度最快的男性癌症,严重威胁着患者的身体健康,准确地判断癌症患者的患病情况对于节约医疗资源、提高患者满意度起着至关重要的作用。近年来,基于数据挖掘的癌症诊断方法逐渐成为疾病诊断领域的研究热点,在提高诊断准确性上显示出极大优势。        针对现有前列腺癌早期诊断方法准确性不高的问题,提出一种基于高斯混合模型改进径向基函数神经网络的前列腺癌诊断方法--GMM-RBF神经网络方法。该方法通过使用高斯混合模型对径向基函数神经网络中径向基函数的参数进行预训练,使模型避免陷入局部最优,之后采用改进的粒子群优化算法对神经网络进行训练。采用国家临床医学科学数据中心提供的数据进行前列腺癌诊断实验,将所提出的方法与径向基神经网络、分类回归树、支持向量机和逻辑回归等主流的机器学习算法进行对比,并使用准确性、特异性、敏感性和AUC值对模型的性能进行评价。        研究结果表明,与改进前的神经网络模型相比,GMM-RBF神经网络模型收敛速度更快、初始准确度更高;与其它机器学习算法相比,GMM-RBF神经网络模型在10折交叉验证中取得了较高的准确性、敏感性、特异性和AUC值。        GMM-RBF神经网络方法在模型预测精度上比传统的径向基函数神经网络模型有很大提升,能够得到更为可靠的前列腺癌诊断结果,为医疗工作者初步诊断前列腺癌和穿刺活检操作提供有效的辅助决策支持,该方法的提出对于减少患者痛苦、提高患者满意度和节约医疗资源具有实际意义。     

基于径向基函数网络的混沌吸引子寻找方法

由于现有的混沌吸引子识别方法对噪声敏感,研究带噪声的时间序列的混沌识别方法就显得特别重要.本文给出了一种新的基于径向基函数网络的混沌吸引子寻找方法.实例表明此方法对即使少量的、噪声较大的时间序列也有较好的效果,是一种很实用的方法,有着广阔的应用前景.     

由频繁项集生成关联规则的深度优先算法

数据挖掘是当前数据库技术领域的重点研究内容,其中关联规则挖掘算法尤为引人注目.目前,关联规则及挖掘算法研究的热点主要是如何提高发现频繁项集的效率,而对如何由频繁项集生成关联规则却很少涉及.对由频繁项集生成关联规则的过程进行改进,将会有效提高生成关联规则的效率.     

基于结构化工作流网的隐含任务挖掘方法

过程挖掘是一种客观、自动化的过程分析技术,它通过挖掘过程日志来得到业务过程的结构模型,是传统过程分析手段的重要补充.如何正确挖掘包含隐含任务的不完整过程日志,是过程挖掘需要解决的难题之一.现有的一些算法如基因算法、α#算法等解决了部分类型隐含任务的挖掘问题,但仍有许多类型的隐含任务无法被正确挖掘.针对这一问题,本文在α#算法的基础上提出了一种基于结构化工作流网的挖掘算法,该算法能够较为完整地挖掘各类包含隐含任务的结构化工作流网模型.通过理论分析和实验验证,该算法的正确性和有效性得到了证明.     

基于径向基函数的非线性预测模型

针对混沌时间序列的预测问题提出一种兼有全局和局部特点的新的预测模型, 通过数值实验探讨这一模型的性能和特点, 并给出对太阳黑子数据较以往文献更好的预测结果．     

基于熵的同业税负测算方法研究

随着经济的不断发展,开展同业税负研究测算的意义也愈显重要.传统行业税负计算方法没有考虑非正常样本对计算结果的影响,所得到的税负平均值往往低于行业税负的正常值.本文首次将C4.5数据挖掘算法引入到行业税负测算过程中,有效避免了传统测算方法中的不足,并结合税收领域知识对该算法进行了改进应用;通过对算法测算结果进行验证表明,利用该算法选出的企业样本代表了真实的行业税负水平,具有很高的可信度.     

一类表间多层次关联规则挖掘算法研究

关联规则采掘是数据挖掘及其应用研究中的重要内容之一.本文提出了多表间多概念多层次关联规则挖掘问题,研究了相关的挖掘算法,对所提出的算法进行了初步分析.该算法应用于某营销经理信息系统的关联规则挖掘,获得的结果表明算法是实用和有效的.     

Web日志挖掘中的用户浏览序列模式识别

用户浏览模式识别是现阶段Web日志挖掘的主要目标之一,研究Web日志挖掘中的序列模式识别问题,针对传统关联规则算法中阈值固定不变、大序列的数目与序列长度成反向增长的问题,对传统的关联规则算法进行改进,提出IAx算法,使长序列只需较小的支持度计数就能达到阈值,从而发现更多有意义的序列模式,同时运用理论证明该方法的正确性.     

基于云模型关联规则的企业转型战略风险预警

针对评价指标数据的特点,构造了一种基于云模型的数值型关联规则挖掘算法,并将其运用于企业转型战略风险预警。首先运用云模型约简评价指标;然后,采用属性空间软划分方法对定量型属性的定义域进行划分,使定量型关联规则挖掘转换为定性关联规则挖掘,此基础上提取规则模版;最后采用有规则约束的Apriori算法挖掘云关联规则,并对检验样本风险等级进行判别。实证分析结果表明,与标准BP神经网络模型相比,该模型是一种更为有效和实用的战略风险预警工具。