基于人工智能的决策支持技术是现今决策支持的重要发展方向，而神经网络技术的迅速发展给决策支持的智能化开辟了一个大有希望的发展方向。20世纪80年代Inmon提出了数据仓库的思想，获得了巨大的成功，传统的数据挖掘技术于是又面临着新的问题和挑战。数据仓库里存贮的海量数据使得数据挖掘的研究者们开始从一个全新的角度来研究数据库中的知识发现(KDD)等问题。
我们在这里设计并实现了一个基于具有模糊式输出的人工神经网络的数据挖掘模型，这个模型实际上是一个具有智能的决策支持系统的雏形，能够对用户所给的原始数据进行处理，利用已经获得的知识对用户数据进行判断，并以适当的方式向用户解释系统决策的结果。我们实现的模型是一个有机的数据处理和决策综合系统，首先，模型接受用户在通常的MIS系统中积累产生的各种数据，对这些原始的，“粗糙”的数据，我们第一步的工作是对他们进行预处理，这个过程其实相当的复杂棘手，最典型的，它首先要集成来自不同数据源的数据，其次，它要能够对这种数据进行清洗，除去我们不感兴趣的脏数据，最后，它还要对数据进行重新的解释，处理数据的规范化，一致化等问题。在进行了必要的数据预处理之后，我们就可以对这种合适的数据进行决策分类了。在我们实现的模型中，这是整个模型的核心所在，我们在模型中采用了具有模糊输出的人工神经网络技术来作为数据挖掘的基本模型。在这个基本模型网络中，使用用户提供的标准数据对网络进行训练，从而使其记住标准的数据模式是整个网络智能决策的关键所在。在我们的模型中，一方面要考虑到网络的正确分类的能力问题，另一方面，我们又不得不考虑网络的效率问题。对这些问题的研究和解决是我们在这个模型中的一个主要着力点，我们将针对我们的模型所面对的用户数据的典型特点，对网络进行应用试验和改造，使得网络能针对我们的数据有最佳的效率和性能。
我们的模型是用Java语言实现的，一方面是考虑到它对模型的适应范围可能会很有益，另一方面，我们打算在模型中增加安全特性，而Java在这个方面做的相当的出色，利用它提供的模型，算法和标准类，我们可以很容易的为
北京工业大学工学硕士学位论文
我们的模型系统进行安全处理。
应当指出的是，我们的模型尽管能对用户的数据进行综合的决策处理，但
是，这仅仅是一个模型，它不是一个产品，因而，它还不是成熟的。例如，它
在处理用户接口时，就做的十分的粗糙，这一方面是因为Java语言本身的一
些固有限制，另外的，我们认为，我们模型的核心应当放在网络本身的理解和
完善上，用户接口不是我们的重点。但即使是网络本身，我们所作的工作也不
是尽善尽美的，如我们对该领域的理解还远远不够，对神经网络技术的最新发
展也不能很好的捕捉和理解，因而我们对网络的改进不一定就是最佳的。这些
都是我们应该继续努力的方向。
