周戈

摘要：本文将通过简单介绍两种常见的基于神经网络的数据挖掘类型，即自组织神经网络数据挖掘以及模糊神经网络数据挖掘类型出发，以RBF神经网络为例，着重围绕基于神经网路的数据挖掘方法进行简要分析。

关键词：神经网络；数据挖掘；具体方法

中图分类号：TP311 文献标识码：A 文章编号：1007-9416（2017）04-0047-01

1 基于神经网络的数据挖掘类型

1.1 自组织神经网络

自组织神经网络下的数据挖掘，通过对数据组的具体特征以及数据与数据之间的关系入手，深入挖掘出数据实际内容及内在关联等，对数据组之间的相互作用进行深层次分析，从而对数据性质、类别等进行判定。当挖掘数据特征时，可以根据数据具体分布情况找出其中的规律特点，并以此为基础，从神经网络结构出发搭建其数据单元，从而对任意数据组进行比较分析，了解其具体性质及差异等。但在保障处理数据信号速率的前提之下，需要选择与数据组相对应的神经网络结构[1]。

1.2 模糊神经网络

神经网络结构本身具有一定的局限性，在某些情况下难以全面阐述挖掘的数据结果，因此可以借助模糊神经完成数据挖掘。在基于模糊神经的数据挖掘当中，通过有效控制BP网络数据的输出节点，对数据输出在网络结构当中的具体模式进行简化，在对神经网络结构本身的记忆能力、分析能力、联想能力等进行最大限度保留的基础之上，使用数值0与1表现出数据样本期望值，从而使得数据输出更加直接。

2 基于神经网络的数据挖掘方法

2.1 数据准备

基于RBF神经网络的数据挖掘，首先需要引导用户根据其自身的实际需求，自行选择位于数据访问接口处的数据集，对其具体类型、名称以及位置等进行明确。在此，笔者建议采用DAO/ODBC的数据库访问方案，相较于其他方案，其不仅可以和Microsoft Jet数据库引擎同时使用，也可以通过使用ODBC Direct选项进行单独使用，使得数据库访问更加方便快捷。之后，将利用SQL语句或是其他相关程序对不需要的观测值进行清理，避免其对数据挖掘造成干扰。在完成数据清理之后需要继续使用SQL语句或者是其他与之有关的程序，将原本相互独立的数据合并成为一个完整的数据集[2]。

2.2 数据挖掘

在RBF神经网络数据挖掘中，挖掘数据的方法选择与管理环节中需要根据用户的实际需要为其挑选出最为合适的数据挖掘方法。并且妥善保管数据接口处产生的，所有与数据挖掘方法有关的信息，譬如说文本或是文件的分词方法等等，一般具有较好普遍适用性的挖掘方法有粗糙集、决策树等等。因此我们可以通过使用数学模型的方法，在RBF网络当中完成网络分类模型的构建，之后使用数据挖掘技术中的预测分析技术，对已经经过分类的数据进行快速分析，在对数据结果进行科学分析之后直接将其传递到评估系统当中。而根据数据挖掘模型的实际情况，可以依照具體的挖掘需要进行修改调整或是重新构建。为了能够更加直观地完成数据结果的输出，可以通过采用树状图、列表等方式展示数据挖掘结果，但笔者更建议使用可视化技术，通过电子屏幕直接显示出数据挖掘结果，能够更加方便用户清晰、具体地掌握真实数据结果。在对数据挖掘结果进行评估过程中，可以通过对数据挖掘在各种模式下形成的效果进行对比分析，找出最优的分析结果，并在其中清晰地标出标准图标，一方面可以使得评估结果更加科学有效，另一方面也能够为用户的查询浏览提供便利。

2.3 安全保障

保障用户在使用基于RBF神经网络的数据挖掘，是确保数据挖掘正常无误的关键举措之一，为此，应当分别从保护数据安全和权限设置的内外两种保护措施入手。在保护数据安全方面，首先需要对客户端进行安全控制，考虑到用户需要利用网络相服务器端传输数据，而网络本身具有一定的虚拟性和不稳定性，容易影响数据传输的完整性和安全性，因此可以通过加密数据，同时在服务器当中存储用户的数据挖掘结果，使得用户即使登录不同的计算机也不会影响其对数据挖掘结果的使用。而设置权限则指的是需要对用户登录注册进行常规管理的基础之上，将用户进行科学合理的等级划分，并为不同等级的用户赋予相应的权限，从而避免因用户的非法登录或是未授权访问等影响数据的安全性[3]。

3 结语

总而言之，本文通过从简单介绍自组织神经网络挖掘类型和模糊神经网络挖掘类型入手，对当前常见的两种基于神经网络下的数据挖掘类型进行简要分析，并在此基础上以RBF神经网络为例，从数据准备包括数据的选择、清理与合成，以及数据挖掘等方面出发，对基于神经网络的数据挖掘方法进行探究。但鉴于建立在神经网络基础上的数据挖掘具有较强的复杂性，因此本文还有诸多的不足之处有待日后进行加强改进。

参考文献

[1]王磊，王汝凉.基于改进的BP神经网络方法的数据挖掘[J].广西师范学院学报（自然科学版），2016，01：79-84.

[2]曹嘉杰，杨猛，徐新宇.基于RBF神经网络的数据挖掘方法探究[J].电脑知识与技术，2016，07：151-153.

[3]吕嫄.基于神经网络的数据挖掘方法研究[J].重庆文理学院学报（社会科学版），2015，02：122-124+128.