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 。