随着管理信息系统在各行各业的广泛应用,各种业务数据不断地被存储到数据库中。人们希望从这些数据中发现潜在的、有助于管理决策的知识。正是这种需求推动了数据挖掘兴起和数据挖掘技术的发展。作为一个多学科交叉的前沿领域,数据挖掘融合了数据库、统计学、机器学习、人工神经网络、高性能计算等学科中的各种理论和算法。其中,人工神经网络凭借其本身具有的非线性处理、自适应学习、高度容错能力等特性在数据挖掘应用中得到了广泛的使用。 本文在综合研究数据挖掘中的各类神经网络模型的基础上,重点研究误差反向传播(BP)神经网络算法的工作原理及其在数据挖掘中的应用步骤。由于BP神经网络算法在实际应用中存在的收敛速度慢、易陷于局部极小、泛化能力弱等问题,本文从梯度下降、数值优化以及结合其他理论等不同角度深入研究各种改进算法和结构优化策略。 针对我国海关税收征管评估工作的实际需求,本文用VC++.NET开发工具实现了一种基于附加动量和自适应学习速率结合的改进学习算法,并在海关统计数据的基础上,在国内首次将BP神经网络模型引入到海关税收管理领域中,成功构建了基于BP神经网络改进算法的海关税收预测分析系统。通过实际税收数据的测试运行,对照标