帶混合屬性的神經(jīng)網(wǎng)絡(luò)規(guī)則提取研究.pdf

1、人工神經(jīng)網(wǎng)絡(luò)(以下簡稱神經(jīng)網(wǎng)絡(luò))由于其突出的優(yōu)點(diǎn),例如高精確度、強(qiáng)魯棒性、并行能力等,特別是具有較強(qiáng)的自學(xué)習(xí)能力,使得它在很多領(lǐng)域得到了廣泛地應(yīng)用。然而,神經(jīng)網(wǎng)絡(luò)的應(yīng)用卻受到其固有缺陷的限制,即得到的結(jié)果缺乏可理解性。另一方面,知識閾值理論認(rèn)為智能行為取決于知識的數(shù)量及其一般化的程度,一個(gè)系統(tǒng)之所以有智能是因?yàn)樗哂锌蛇\(yùn)用的知識?？梢哉J(rèn)為智能是知識和智力的總和。然而,在構(gòu)建智能系統(tǒng)的知識庫時(shí),領(lǐng)域知識的獲取往往成為智能系統(tǒng)發(fā)展的瓶頸。領(lǐng)

2、域?qū)＜液茈y全面、有效地提取和概括領(lǐng)域知識,甚至有些知識是人們尚未發(fā)現(xiàn)和掌握的,更不用說用于知識庫中了。從神經(jīng)網(wǎng)絡(luò)中提取符號規(guī)則是解決上述問題的有效途徑。一方面,它使得神經(jīng)網(wǎng)絡(luò)的結(jié)果具有易理解的形式,例如符號產(chǎn)生式規(guī)則,增加了用戶使用神經(jīng)網(wǎng)絡(luò)構(gòu)建智能系統(tǒng)的信心;另一方面,它也使得學(xué)習(xí)系統(tǒng)所獲得的知識可以直接用于豐富知識庫,緩解了當(dāng)前知識庫普遍缺乏領(lǐng)域知識的瓶頸。進(jìn)行神經(jīng)網(wǎng)絡(luò)規(guī)則提取時(shí),首先面臨的問題是輸入模式的屬性既有離散值,也有連續(xù)值。

3、要從神經(jīng)網(wǎng)絡(luò)中提取出更符合用戶認(rèn)識習(xí)慣的規(guī)則,就必須考慮帶混合屬性的神經(jīng)網(wǎng)絡(luò)規(guī)則提取問題。解決混合屬性的問題,關(guān)鍵是解決好對連續(xù)值屬性的描述方式。本文沿著兩條思路展開,解決從帶混合屬性的神經(jīng)網(wǎng)絡(luò)中提取規(guī)則的問題:①一般情況下,用布爾表達(dá)式描述離散屬性,比較容易被理解;用線性組合表達(dá)式描述連續(xù)屬性具有明顯的幾何意義。于是,本文在沿襲傳統(tǒng)的規(guī)則提取方法提取出分類超平面后,從中分離出離散屬性和連續(xù)屬性,分別用布爾表達(dá)式和線性組合表達(dá)式描述其約

4、束。②對于連續(xù)值屬性,引入語義等級,利用模糊集合的隸屬函數(shù)將連續(xù)值離散化,然后,可以直接采用傳統(tǒng)的方法提取規(guī)則。這樣,規(guī)則中帶有模糊語義,符合人們對連續(xù)屬性的認(rèn)識習(xí)慣。通過本文的研究的工作,在利用神經(jīng)網(wǎng)路構(gòu)造分類器時(shí),可以采取本文提出的方法處理帶有混合屬性的網(wǎng)絡(luò)輸入。這些方法能夠提高神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)結(jié)果的可理解性。將蘊(yùn)含在網(wǎng)絡(luò)結(jié)構(gòu)和權(quán)值中的知識顯式地表達(dá)出來,不僅可以為決策作支撐,而且提取的符號規(guī)則可以融入知識庫中,豐富智能系統(tǒng)的專業(yè)經(jīng)驗(yàn)。