文档介绍：摘要
数据挖掘是从结构化或非结构化的原始数据中自动获取知识的
过程，数据挖掘效率依赖于所使用的挖掘方法。根据所涉及的科学领
域，数据挖掘方法可粗略分为基于统计学的方法、基于机器学****的方
法、基于神经网络的方法和基于数据仓库的方法四大类。基于神经网
络的方法可以对大量复杂的非线性数据进行分析，并能完成极为复杂
的模式识别及趋势分析，适用于构造多种数据挖掘模型。然而，由于
神经网络的输出结果的可解释性较差，而且神经网络需要较长的学****br/> 时间，当需要分析的数据量很大时，有可能导致该类挖掘方法的性能
下降。通过改进算法来优化网络是目前提高神经网络的可理解性和学<br****速度的主要途径。
本文结合算法和算法的改进，研究了基于和神经
网络的数据挖掘方法。在对网络和即网络的拓朴结构、用于
数据挖掘的基本原理及算法进行分析的基础上，本文提出了两种改进
算法。一种是由邻域函数决定权重调整程度的改进算法，该算法
避免了基本算法调整权重前的邻域判断过程，有利于提高
网络的学****速度和自适应性另一种是基于局部权重及闭值调整的改
进算法，该算法动态地将网络权重及阂值的全局调整改变为局部调
整，提高了网络的收敛速度。仿真实验证明了两种改进算法的优越
性。
本文重点研究了网络聚类和网络分类挖掘方法的组合
使用。在前述两种改进算法的基础上，提出了组合使用的基本思想，
并据此设计了先利用子网聚类结果将原始数据进行初步分
类，再由即子网根据初步分类结果完成精确分类的组合神经网络分类
模型讨论了如何在故障诊断中使用该模型的过程并通过电力变压
器故障诊断的仿真实验，比较了组合网络分类模型和单一网络分类
模型的故障诊断效果。实验结果表明组合模型不但克服了单一
网络输出结果不易理解，单一即网络泛化性能差、难以实现
精确分类的缺点而且在实现精确分类的正确性方面优于单一的
网络分类模型，能够对电力变压器故障的现场分析诊断起到一定的指
导作用。
关键词神经网络，数据挖掘，聚类分析，分类，故障诊断
卜五飞电
’

，
，由，
哟汾，，
一，

耐
，
，，
林氏七。
’，即
且刊·
叮加，面
创
叻，
助长七相汕囚
加玩
袱叽朗

田刀印卜刀氏
。比】
，元
廿止
钟
加
七川
幻刀
七刀一
四叩
’
。欧，而
一

，

。刀盯
，妇刀，
邢故氏
，，
勺刃，朗
一一
、”
幻刀氏，，
，几
原创性声明
本人声明，所呈交的学位论文是本人在导师指导下进行的研究
工作及取得的研究成果。尽我所知，除了论文中特别加以标注和致谢
的地方外，论文中不包含其他人己经发表或撰写过的