1、一種基于BP 神經網絡的離散化方法摘要：隨著人工智能和數(shù)據(jù)挖掘技術的深化開展，大數(shù)據(jù)逐步進入人們的視野，在大數(shù)據(jù)的處理過程中，離散化處理是一個必不可少的環(huán)節(jié)。本文通過在BP神經網絡的學習過程中引入動量學習法，進一步完善了BP神經網絡在學習方面的局限性，降低了BP神經網絡的訓練誤差，在此根底上提出了一種基于BP神經網絡的離散化方法，實現(xiàn)了對連續(xù)屬性的離散化處理。算法分析和實驗證明，本算法是實在可行的。關鍵詞：離散化；BP神經網絡；連續(xù)屬性；動量學習法Abstract： With the further development of artificial intelligence and data

2、 mining technology， big data gradually into view， in the process large data， discrete processing is an essential link . In this paper， in the learning process by introducing the momentum BP neural network learning method to improve the stability and accuracy of BP neural network ， reducing the learn

3、ing error BP neural network ， and on this basis， proposes a BP neural network discretization method to achieve a discrete handling of continuous attributes . Algorithm analysis and experiments show that the algorithm is feasible.Key words： Discrete； BP neural network； continuous attributes； Momentum

4、 Learning在當今大數(shù)據(jù)時代，我們會面臨著各種各樣的數(shù)據(jù)，包括離散化的數(shù)據(jù)和連續(xù)性的數(shù)據(jù)，在眾多的算法中，有許多關于數(shù)據(jù)離散化的例子1-4，在這些現(xiàn)有的方法中，各有千秋，有的處理連續(xù)性數(shù)據(jù)效果不好，有些算法即使能處理連續(xù)型數(shù)據(jù)，但挖掘和學習的效果沒有處理離散型數(shù)據(jù)有用和有效。對我們日常生活和應用中的實際例子分析發(fā)現(xiàn)，對我們有用的數(shù)據(jù)除了連續(xù)性的，更多存在的是連續(xù)型屬性的數(shù)據(jù)。這樣的話，對數(shù)據(jù)進展離散化處理顯得異常重要，離散化處理的效果好壞，效率上下，直接關系到數(shù)據(jù)處理和分析的最終結果5-6。1 離散化問題的描繪離散化就是采取各種方法將連續(xù)的區(qū)間劃分為小的區(qū)間，并將這連續(xù)的小區(qū)間與離散的值

5、關聯(lián)起來。離散化的問題本質是：決定選擇多少個分割點和確定分割點位置。連續(xù)屬性離散化的方法有大概有以下幾種：1無監(jiān)視和有監(jiān)視。在離散化過程中使用類信息的方法是有監(jiān)視的，而不使用類信息的方法。2全局和局部。全局離散化指使用整個樣本空間進展離散化，而局部離散化指在樣本空間的一個區(qū)域內進展離散化。3動態(tài)離散化和靜態(tài)離散化。動態(tài)的離散化方法就是在建立分類模型的同時對連續(xù)屬性進展離散化，而靜態(tài)離散化方法就是在進展分類之前完成離散化處理。2 BP神經網絡BP神經網絡是一種多層前向型神經網絡，其神經元的傳遞是S型函數(shù)，輸出緊為0-1.的連續(xù)量，它可以實現(xiàn)從輸入到輸出的任意非線性映射。由于權位的調整采用反向傳播

6、學習算法，因此，人們就就將此算法稱為向后傳播算法，簡稱BP算法。日前，在神經網絡的已有的應用理論中，BP神經網絡的應用占了絕對優(yōu)勢，也說明了BP神經網絡的應用廣泛性和優(yōu)勢，以及有不可限量的應用前景和開展空間。BP神經網絡模型是一個三層網絡，它的拓撲構造可被劃分為：輸入層、輸出層，隱含層。其中，輸入層與輸出層具有更重要的意義，因此有些文獻和算法中把BP神經網絡看成有輸入層和輸出層組成的兩層網絡構造。3 基于BP神經網絡的離散化方法1對BP神經網絡的參數(shù)進展初始化。首先創(chuàng)立網絡構造，并根據(jù)實際情況確定BP神經網絡中的輸入層，隱含層和輸出層的節(jié)點數(shù)、連接權值和訓練誤差值等初值，最后給定學習速率和神經

7、元鼓勵函數(shù)。2隱含層輸出計算。3輸出層輸出計算。4計算訓練誤差?jl=dqj-xljfslj，輸出層?jl=fsljk=1nl+1?l+1wl+1kj，隱含層和輸入層5修正權值和閾值wl+1jik+1=wljik+?jlxl-1i+wljik-wljik-1 l+1jk+1=ljk+?jl+ljk-ljk-16判斷是否到達訓練誤差要求，假設到達要求，就進展下一步，假設達不到要求否那么，轉到第2步，重新對BP網絡進展訓練和學習。7利用附加動量法規(guī)那么對BP神經網絡進展訓練，為了抑制BP神經網絡的缺點，在BP算法中參加動量項不僅可以微調權值的修正量，也可以有效的減少BP神經網絡在訓練和學習過程中的

8、缺陷。另外在修改訓練參數(shù)和連接權值的同時，還可以使用順序方式訓練網絡。順序方式訓練網絡要比批處理方式更快，特別是在訓練樣本集很大，而且具有重復樣本時，順序方式的這一優(yōu)點更為突出。8利用訓練后的BP神經網絡進展離散化處理利用BP神經網絡的分類功能，對訓練樣本數(shù)據(jù)進展處理，根據(jù)處理結果對連續(xù)數(shù)據(jù)進展離散化處理，綜合整理后就得到了離散化后的屬性表。利用BP神經網絡的新建一個網絡，經過訓練之后為了測試一下我們提出的算法的效果，我們可以對此算法進展一次實驗，我們利用仿真函數(shù)sim可以看到的聚類結果是：Yc =6544465 3這樣我們就得到了離散化后的屬性表。連續(xù)屬性離散化之后我們需要驗證一下離散化的結

9、果是否對屬性表的一致性產生了影響，所以我們再次利用LVQ神經網絡來檢驗，如今訓練樣本為P=34 2 2 2 43 2；34 2 3 2 2 43經過訓練得到的聚類結果是：Yc =55 1 5 1 1 55我們發(fā)現(xiàn)得到的結果和實際情況相符合。4 小結對于連續(xù)屬性離散化問題，我們在BP神經網絡的學習過程中，對網絡的訓練做了一些改進，引入了動量學習法，改善了BP神經網絡的性能，最后通過Mantis仿真實驗證明了該算法對于處理離散化問題的有效性。參考文獻：4 謝振華，商琳，李寧，等.粗糙集在神經網絡中應用技術的研究J.計算機應用研究， 2022， 219：71- 74.6 劉業(yè)政，焦寧.連續(xù)特征離散化算法比較研究J.計算機應用研究，2022，249.8 HUAN LIU， RARHAD HUSSAIN， CHEW LIM TAN， MANORANJAN DASH， 2002. Discretization： An Enabling Technique. Data Mining and Knowledge Discovery，6，393-423，2002. 2