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.数据分类作为一种重要的数据挖掘技术有着广泛的应用,在这一研究方向上,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.传统的挖掘算法对于数据有噪声、信息有冗余、数据不完整、数据稀疏等情况下,效果往往不佳.而神经网络由于其本身良好的鲁棒性、自组织自适应性、并行处理、分布存储、高度容错等特性,特别适用于现实生活中大型的数据库的知识发现.因此,该文提出了一种基于神经网络的数据挖掘方法.该文力求融合智能算法中的多重技术来全面解决数据挖掘问题:神经网络、模糊规则和遗传算法,提出了从数据准备、主元分析消减变量、神经网络分类到规则提取、规则裁剪的一整套挖掘流程.采用了一种随机神经网络模型进行数据分类,利用模拟退火算法(SA)对网络进行训练学习,将随机机制引入到神经网络的学习算法中,有效的改善了目前普遍存在的神经网络局部收敛问题.在神经网络的解释机制上,提出了一种简单实用的基于结构分解的模糊规则提取算法,将神经网络连接权值中的信息表达为"if-then"规则.为了更准确的进行知识表达,将提取出的规则库应用遗传算法进行规则裁剪,删除掉冗余、不准确的规则,保留能最大限度的概括所有知识的最精简的规则.论文选取了四个有代表的数据库,对所提出的数据挖掘方法在MATLAB中进行了仿真,同时与目前比较流行的C4.5决策树算法进行了仿真结果的比较.结论表明,该文提出的数据挖掘方法的有效性明显高于C4.5算法.