基于GMDH的自組織數(shù)據(jù)挖掘算法研究.pdf

1、數(shù)據(jù)挖掘是從大量、不完全、有噪聲的數(shù)據(jù)中提取隱含于其中的并不為人們所知，但又是潛在有用的信息和知識的過程。目前大部分的數(shù)據(jù)挖掘方法往往對使用者具有很高的要求，而引入人為因素往往會影響建模的質量。自組織數(shù)據(jù)挖掘方法以數(shù)據(jù)分組處理方法(Group Method of Data Handling，GMDH)為核心，使用演化(交叉、變異和選擇)的原則實現(xiàn)模型結構綜合和模型確認的自動過程，所得模型在記憶能力和泛化能力間達到最佳的平衡。自組織數(shù)據(jù)挖

2、掘方法針對不同的應用問題設計了一系列算法，其中最具普適性、應用最為廣泛的是GMDH多層建模算法。本文針對GMDH多層建模算法的以下兩個方面問題進行了研究： (1)對GMDH多層建模算法中部分多項式(參考函數(shù))的改進。原有的部分多項式求解算法使得模型復雜度增長過快，很多潛在的能夠更好的描述未知系統(tǒng)的模型將被忽略；另外由于部分多項式的求解基于回歸分析，因此回歸分析中多重共線性的問題也難以避免。本文從分析快速遞歸算法(Fast Rec

3、ursive Algorithm，F(xiàn)RA)中潛在的多重共線性問題入手，提出一種回歸項線性相關的檢測算法，改進后的快速遞歸算法被用于GMDH多層建模算法的部分多項式系數(shù)估計，新算法建立的模型具有更強的泛化能力且結構更加簡單。與同類型的改進算法相比，該算法具有更小的計算開銷。 (2)提出一種選擇性GMDH網(wǎng)絡集成學習算法。GMDH多層建模算法能夠在對訓練樣本進行劃分的基礎上建立在記憶能力和泛化能力達到最佳平衡的最優(yōu)復雜度模型，但不同