可解釋的和能理解的神經(jīng)網(wǎng)絡(luò)樹設(shè)計方法研究.pdf

1、機器學(xué)習(xí)方法主要有兩種:符號學(xué)習(xí)方法和非符號學(xué)習(xí)方法.決策樹是一種典型的符號學(xué)習(xí)模型,神經(jīng)網(wǎng)絡(luò)是一種最常見的非符號學(xué)習(xí)模型.一般來說,符號學(xué)習(xí)方法適合于提取能理解的規(guī)則但不能在線增量學(xué)習(xí),非符號學(xué)習(xí)方法適合于在線增量學(xué)習(xí),但是不能提取能理解的規(guī)則.神經(jīng)網(wǎng)絡(luò)樹是一種神經(jīng)網(wǎng)絡(luò)和決策樹的混合學(xué)習(xí)模型,總體的結(jié)構(gòu)是決策樹模型,每一個非終端節(jié)點是一個專家神經(jīng)網(wǎng)絡(luò),神經(jīng)網(wǎng)絡(luò)樹有決策樹和神經(jīng)網(wǎng)絡(luò)兩者的優(yōu)點.為了增強神經(jīng)網(wǎng)絡(luò)樹的實用性,應(yīng)當提出用于增量

2、學(xué)習(xí)的有效算法,設(shè)計盡可能小的神經(jīng)網(wǎng)絡(luò),提出在線解釋的方法.這篇論文的目的是基于多目標優(yōu)化和多模板匹配算法設(shè)計可解釋的,能理解的或自我解釋的神經(jīng)網(wǎng)絡(luò)樹.該文的主要貢獻是:第一章回顧了已有的神經(jīng)網(wǎng)絡(luò)與決策樹的混合模型設(shè)計方法.第二章研究人工神經(jīng)網(wǎng)絡(luò)拓撲結(jié)構(gòu)與學(xué)習(xí)算法、決策樹的定義與學(xué)習(xí)算法以及基于遺傳算法的優(yōu)化方法等,并以此為基礎(chǔ)研究了神經(jīng)網(wǎng)絡(luò)樹的定義及其演化設(shè)計方法.第三章在研究有限輸入神經(jīng)網(wǎng)絡(luò)樹的基礎(chǔ)上,提出了基于遺傳算法的多目標優(yōu)化

3、方法設(shè)計更容易解釋和理解的神經(jīng)網(wǎng)絡(luò)樹.該方法通過同時對非終端節(jié)點的分類能力(通過計算信息增益率)、神經(jīng)網(wǎng)絡(luò)樹非終端節(jié)點的隱層神經(jīng)元數(shù)目和神經(jīng)網(wǎng)絡(luò)樹每個非終端節(jié)點的輸入特征數(shù)目等多個目標進行優(yōu)化,在提高非終端節(jié)點分類能力的前提下,盡量減少神經(jīng)網(wǎng)絡(luò)樹非終端節(jié)點的隱層神經(jīng)元數(shù)目和神經(jīng)網(wǎng)絡(luò)樹每個非終端節(jié)點的輸入特征數(shù)目,來獲得更容易解釋和理解的神經(jīng)網(wǎng)絡(luò)樹.論文利用UCI機器學(xué)習(xí)數(shù)據(jù)庫中的4個數(shù)據(jù)庫驗證了算法的有效性.第四章通過采用多模板匹配方法