基于RBF神经网络并行学习模型的数据分类及预测研究

随着现代信息技术的迅速发展，许多领域都积累了大量的数据。我们渴望发现潜在于这些数据中的知识与规律。正是这一需求造就了数据挖掘学科的兴起及数据挖掘技术的发展。作为一个多学科交叉的综合性领域，数据挖掘涉及了数据库、统计学、机器学习、高性能计算、模式识别、神经网络和数据可视化等学科。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，目前已提出了多种分类方法（如决策树归纳分类、贝叶斯分类、神经网络分类和K-最邻近分类等）和一些预测技术（如线性回归、非线性回归等）。然而，尚未发现有一种方法对所有数据的处理都优于其他方法[1]。 由于时间序列数据库的日趋庞大及其挖掘的潜在意义，目前，时序数据挖掘研究已成为一个热点；然而,时间序列数据的非线性混沌特点，使得对它的挖掘成为难题。本文在分析与比较以上几种分类及预测方法的基础上，引入了径向基函数神经网络（Radial Basis Function Neural Network，简称RBFNN）对时间序列数据进行预测。在介绍该神经网络优点的同时，也阐述了其中较为棘手的难点。文中使用了层次遗传算法作为神经网络学习方法。在分析该方法可行性及效率的基础上，本文提出了用粗粒度并行方法进行径向基函数神经网络训练的思想，并建立了求解模型，旨在取得较好的预测效果。 最后，本文应用上述并行模型优化的RBF神经网络对非线性函数值以及证券个股收盘价进行预测。实验结果表明，当数据无噪声时，预测效率与精度都非常高；在处理带噪声，并呈现混沌特性的数据时，虽有一定的误差，但预测结果还是在可以接受的范围内。