| 【中文题名】 | 从神经网络中抽取加权模糊产生式规则 |
| 【英文题名】 | Extracting Weighted Fuzzy Production Rules from Trained Neural Networks |
| 【学科专业】 | 基础数学 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2005-8-3 |
| 【中关键词】 | 神经网络,规则抽取,加权模糊产生式规则,模糊推理,, |
| 【英关键词】 | Neural Networks,Rule Extraction,Weighted Fuzzy Production Rules,Fuzzy Reasoning, |
| 【分类导航】 | 数理科学和化学>数学>代数、数论、组合理论>模糊数学>> |
| 【论文摘要】 | 将神经网络中隐含的不易理解的知识转化为IF—THEN 形式的易于理解的规则知识对增强神经网络的理解和知识获取具有重要意义。本文针对条件属性为连续型数据的分类问题,提出了一种从神经网络中抽取加权模糊产生式规则的新方法。围绕将神经网络中隐含的知识转化为加权模糊产生式规则,从三个方面进行了分析:(1)神经网络的建立和训练;(2) 通过对连接权重的分析,构造重要性指标矩阵,进而产生加权模糊产生式规则;(3)构造与产生的加权模糊产生式规则相适应的模糊推理。在此基础上,提出了从神经网络中抽取加权模糊产生式规则的方法和步骤。本方法的特点是:(1)将加权模糊产生式规则的产生与神经网络的建立、训练和模糊推理方法综合起来考虑;(2)加权模糊产生式规则的产生是在对神经网络连接权重分析基础上得到的。通过试验表明应用此方法得到的加权模糊产生式规则及模糊推理方法较准确的表达出了隐含于神经网络中的知识。 |
| 【论文题纲】 |
|
第1章 绪论 |
7-13 |
|
1.1 课题的背景及意义 |
7-8 |
|
1.2 国内外研究现状 |
8-11 |
|
1.2.1 基于结构分析的方法 |
8-9 |
|
1.2.2 基于性能分析的神经网络规则抽取方法 |
9-10 |
|
1.2.3 INTOEK 分类框架 |
10-11 |
|
1.2.4 已有算法不同程度的存在一些有待解决的问题 |
11 |
|
1.3 课题研究的主要内容 |
11-13 |
|
第2章 预备知识 |
13-21 |
|
2.1 人工神经网络 |
13-15 |
|
2.2 BP 算法 |
15-17 |
|
2.3 遗忘式神经网络结构学习算法SLF |
17-18 |
|
2.4 加权模糊产生式规则 |
18-19 |
|
2.5 模糊推理 |
19-21 |
|
第3章 课题研究的基本思路及解决方案 |
21-27 |
|
3.1 神经网络结构的确定 |
21-22 |
|
3.1.1 神经网络输入输出层节点个数的确定 |
21 |
|
3.1.2 隐含层数和隐含节点数的确定 |
21-22 |
|
3.2 从神经网络中抽取规则 |
22-25 |
|
3.2.1 分析连接权重对神经网络输入输出值的影响 |
22-24 |
|
3.2.2 构造某属性值对某类别的重要性指标 |
24 |
|
3.2.3 生成带有局权的加权模糊产生式规则 |
24-25 |
|
3.3 构造与生成的加权模糊产生式规则相适应的模糊推理方法 |
25-27 |
|
第4章 加权模糊产生式规则的抽取过程 |
27-29 |
|
4.1 训练数据的模糊化 |
27 |
|
4.2 神经网络的建立和训练 |
27 |
|
4.3 建立某属性值对某类别的重要性指标 |
27-28 |
|
4.4 生成加权模糊产生式规则 |
28-29 |
|
第5章 实验 |
29-37 |
|
5.1 IRIS 数据库实验 |
29-33 |
|
5.2 PIMA 数据库实验 |
33-37 |
|
第6章 结论与展望 |
37-38 |
|
参考文献 |
38-40 |
|
攻读硕士学位期间撰写的论文 |
40-41 |
|
致谢 |
41 |
|
| 【DOI】 | LunWen.ID:2.2008.11923 |
