数据挖掘中的数据样本往往是一些带有噪声的、非线性的、杂乱的数据,神经网络处理这些数据具有一定的优势。同时在神经网络学习过程中,需要大量的数据以产生充足的训练和测试模式集,这又恰恰是建立在数据仓库或大型数据库上的数据挖掘所能提供的。鉴于数据挖掘与神经网络两者的优势互补,本文提出并研究了采用神经网络技术进行数据挖掘方法。 数据分类与预测作为一种重要的挖掘技术有着广泛的应用,在这一研究方向上目前已提出了多种分类方法,K—最邻近分类方法是其中典型的一种。面对大规模、高维的数据,如何建立有效的,可扩展的分类数据挖掘算法是数据挖掘研究的重要方向之一。本文在研究了Fuzzy ART(模糊自适应)聚类神经网络和BP神经网络的基础上,提出了一种改进的K最近邻分类算法,将Fuzzy ART聚类算法与BP神经网络的权值调整相融合改进K-最近邻分类技术,由于减小了训练集的数据量和去除了噪声数据,因此有效的降低了算法的运算量同时提高了预测精度。同时由于用神经网络对各个属性赋予不同的权重,不仅保证了Fuzzy ART聚类算法的准确性,而且提高了K-最近邻的分类预测精度。 针对多维离散时间序列的数据挖掘需要将数据转换为符号序列,本文提出了一个简单高效的多维离散时间序列符号化的方法,该方法用模糊自适应共振理论(Fuzzy ART)对时间序列进行聚类,实现离散时间序列的符号化;同时,通过属性相关性分析,忽略无相关或相关性小的属性,保证了聚类算法的精确度,为更好的实现数据挖掘做好准备。最后,通过对黄鹤山隧道交通流进行符号化实验,验证算法。 以上二种算法,均经过Matlab仿真实验验证算法的有效性。