数据挖掘(Data Mining,DM)是从大量的数据中提取可信的、新颖的、有效的、并能够被人理解的模式的高级处理过程。它是一门涉及数据库、人工智能、数理统计、可视化、并行计算等多个领域的交叉学科。 神经网络和模糊逻辑都是有效的数据挖掘方法。神经网络擅长于学习,但是结果不容易被人理解。模糊逻辑的规则推理容易被人理解,但模糊规则的获取比较困难。模糊神经网络(FNN)结合了模糊逻辑和神经网络两者的优点,使之不但可以处理模糊规则,还具有学习功能。在非线性,模糊信息处理等方面表现异常突出。 本文简要的介绍了模糊逻辑、神经网络以及模糊神经网络的一些基础理论、常用模型和方法。详细阐述了自适应模糊推理系统(ANFIS)的网络结构、学习算法并对此加以分析。结合数据挖掘理论,给出了建立基于模糊神经网络的数据挖掘模型的一般步骤和方法。 运用本文提出的模型建立方法实现了库存预测和号型归档模型。在库存预测模型中,结合时间序列理论,来预测未来时刻的库存数量。在号型归档模型中,运用模糊神经网络来仿真上衣号型同身高、胸围、肩高、腰围点高等因素之间的非线性关系。最后将这两个模型的输出结果分别与移动平均方法和多元回归分析方法比较。在这两个运用中,证明了模糊神经网络的时间序列分析和非线性拟合能力都优于传统方法。是一个有效的、高效的数据挖掘模型。