数据挖掘就是通过处理数据库系统中储存的数据来获取未知的、有用的知识的过程,是一个富有无限生机和广阔应用前景的数据智能技术。到目前为止,数据挖掘还不存在一个普遍适用的算法,许多数据挖掘方法都是基于各自的角度,针对具体目标和应用对象而设计。本文面向于工业控制技术的应用,将模糊神经网络智能技术与数据挖掘方法相结合,研究控制规则的挖掘和提取。传统 BP 算法收敛速度慢,为改善 BP 算法的性能,本文探讨了一种两阶段混合学习算法,把传统计算中的构造方法引入神经网络学习,实际上是把神经网络计算同传统计算结合起来,相互取长补短。将神经网络学习看成是依据训练数据构造网络的过程,首先根据非监督学习算法直接构造出网络的结构,包括隐层节点的数目,以及各个节点的参数(权、阈值等),然后采用监督学习算法来优化网络参数。实验证明这种反向传播的学习收敛速度优于一般的反向传播学习算法,其原因是第一阶段的自组织学习过程已经预先完成了一些学习工作,从而提高了学习速度。为了提高系统的自适应学习能力,实现增量学习,本文进一步 第- I -页<WP=4>北京化工大学硕士学位论文研究了一种可用于增量学习的自适应模糊神经系统。基于模糊自适应网络的 FANN 系统,“开放”式可变自适应结构可以在学习过程中随时插入节点,基于局部优化的学习算法只需调整少量单元就可适应新数据,可以实现增量学习、在线学习、终身学习,是一个规则自适应系统。通过仿真研究对提出的两种用于数据挖掘的模型及其算法的有效性和可行性进行了验证和分析,论文还以某化工过程的蒸发罐液位控制系统为实例,对数据挖掘的基本过程进行了初步的探讨。研究结果表明,利用模糊神经网络来进行用于控制目的的数据挖掘是可行的。数据挖掘与知识发现是知识工程的研究前沿,它在各个领域的应用有待进一步的深入研究。论文在基于模糊神经网络的数据挖掘和控制规则的提取方面开展了一定的研究工作,取得了有价值的成果,从而为在此领域进一步的努力奠定了基础。