序列构造神经网络是一种新的神经网络的方法模型,是基于神经网络中神经元的动态构造技术来构建的。这种方法模型更加符合机器对数据学习的本质要求,即动态、主动学习的过程,而非静止、被动的学习。本文研究了序列构造神经网络的原理、构造方法和实现方法,并用序列构造神经网络对多维数据分析进行研究和应用探索。我们知道,在机器学习的研究中,创立新的理论模型和算法,一直被认为是智能机器学习领域急需解决的问题。神经网络技术在过去的几十年里得到了长足的发展,神经网络在模式识别和数据分析等应用领域得到了广泛的应用,其中前馈网络扮演了重要角色。当前信息技术飞速发展,海量复杂的数据应运而生,而且这些数据大都具有多维的特点;新的技术发展也为神经网络提出了新的问题,基于内部神经元全连结条件下的传统神经网络或其改进方法,由于网络内部神经元连结结构固定,在进行网络训练之前需预先确定其所使用的神经元数量,此种模式难以适应复杂变化的多维数据分析的应用需求。针对传统的前馈网络模型存在隐含层难以确定、算法收敛速度慢、网络结构难以训练、难以适应复杂变化的多维数据分析的应用需求等诸多问题以及在工程中的实际应用和使用效果不胜理想等现状,本文提出并探讨了序列构造神经网络模型。序列构造神经网络模型并不是从固定网络结构出发来进行网络内部神经元的训练,而是通过使用动态构造的内部神经元对训练数据的不同子集进行空间映射,动态地构造内部神经元进而构造神经网络的结构,使得网络结构适应外部训练的数据要求及其后续的变化。此训练过程具有动态伸缩和可以适应外部数据变化和多维的优点。本文在研究过程中穿插实验效果的比对,进而说明序列构造神经网络的特点;同时,论文还研究了序列构造神经网络在数据分析中的多维分析能力,讨论了其在实际工程中的应用模型。本文就此理论的确立和开展进行了以下诸多方面的研究工作:论文首先对序列构造神经网络基础理论、方法进行了分析和研究。文章中对序列构造神经网络与传统方法的不同之处进行了比较,对序列构造神经网络的构造方法和学习过程进行了阐述,描述了网络构造过程中的基本原理,讨论了其网络构造的方法;同时,在实验验证方面,文中也通过实验比对了序列构造神经网络和传统全连接方法在训练速度上的差别,实验结果显示,在相同的识别误差情况下,序列构造神经网络拥有较快的训练速度,比较适合对大数据量的分析,为后续章节的研究奠定了理论基础。其次,针对序列构造神经网络的构造算法的一般过程进行了讨论,并提出了若干具体的、可行的神经网络内部神经元构造算法。对这些算法进行了分析验证,大多经实验证实是有效的,并进一步说明了这些算法对于多维数据分析的有效性。而且,序列构造神经网络算法不寻求空间的最优超平面(事实上在多维情况下是NP难问题),而是通过序列神经元对数据进行描述。通过这种方法,可以非常容易地构造出对原始多维数据空间的序列神经元的映射。这种映射过程,非常适用于经常变换的、时序性强的、多维数据的应用场合。序列构造神经网络模型相对于传统固定结构的网络而言,比较符合对多维数据进行剖面剖分的数据分析的要求。论文结合序列构造神经网络的优点,提出了基于序列构造神经网络的多维数据分析方法,针对多维数据的特点通过对数据不同侧面的序列构造神经网络分析,给出序列构造神经网络对于数据点的描述,进而对不同神经网络的剖面分析,通过不同序列构造神经网络分析,从而完成对已有数据点集的多维数据分析。另外,文中给出了在序列构造神经网络过程中的数据预处理方法,并且给出数据的多侧面序列构造神经网络的分解,以及序列构造神经网络的多维数据分析算法。最后,文章结合所研究的序列构造神经网络及多维数据分析的理论和算法,在当前国家大力推行廉租房的时代背景下,把研究成果应用到现实房产租赁指数系统中,通过神经网络对房产租赁信息的不同剖面分析,从中发现有价值的租赁指数信息,为廉租房政策的制定和实施提供参考依据,有着很强的实际应用价值。通过上述一系列有价值的研究工作,本文论证了序列构造神经网络对于多维数据分析处理的优势,并给出了现实房产租赁指数多维数据分析的应用探索。序列构造神经网络对于多维数据的分析应是一种新奕而又有着广泛应用前景的神经网络构造模型。文章最后指出了研究内容的后续相关工作,并对进一步工作的方向进行了简要的讨论。