1、數據挖掘是從結構化或非結構化的原始數據中自動獲取知識的過程，數據挖掘效率依賴于所使用的挖掘方法。根據所涉及的科學領域，數據挖掘方法可粗略分為基于統(tǒng)計學的方法、基于機器學習的方法、基于神經網絡的方法和基于數據倉庫的方法四大類?；谏窠浘W絡的方法可以對大量復雜的非線性數據進行分析，并能完成極為復雜的模式識別及趨勢分析，適用于構造多種數據挖掘模型。然而，由于神經網絡的輸出結果的可解釋性較差，而且神經網絡需要較長的學習時間，當需要分析的數據量很

2、大時，有可能導致該類挖掘方法的性能下降。通過改進算法來優(yōu)化網絡是目前提高神經網絡的可理解性和學習速度的主要途徑。 本文結合SOM算法和BP算法的改進，研究了基于Kohonen和BP神經網絡的數據挖掘方法。在對Kohonen網絡和BP網絡的拓樸結構、用于數據挖掘的基本原理及算法進行分析的基礎上，本文提出了兩種改進算法。一種是由鄰域函數決定權重調整程度的改進SOM算法，該算法避免了基本SOM算法調整權重前的鄰域判斷過程，有利于提

3、高Kohonen網絡的學習速度和自適應性；另一種是基于局部權重及閾值調整的改進BP算法，該算法動態(tài)地將網絡權重及閾值的全局調整改變?yōu)榫植空{整，提高了BP網絡的收斂速度。仿真實驗證明了兩種改進算法的優(yōu)越性。 本文重點研究了Kohonen網絡聚類和BP網絡分類挖掘方法的組合使用。在前述兩種改進算法的基礎上，提出了組合使用的基本思想，并據此設計了先利用Kohonen子網聚類結果將原始數據進行初步分類，再由BP子網根據初步分類結果完成精