| 【中文题名】 | 基于Rough Set的规则提取与粗—模糊神经网络研究 |
| 【英文题名】 | Study on Excavating Rules and R-FNN Based on Rough Set Theory |
| 【学科专业】 | 运筹学与控制论 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2002-10-28 |
| 【中关键词】 | 粗糙集,模糊集,隶属函数,规则提取,粗—模糊神经网络,知识的依赖性度量 |
| 【英关键词】 | Rough Set （RS）,Fuzzy Set,membership function,excavating rules,Rough-Fuzzy Neural Network （R-RNN）,Measurement of dependent degree, |
| 【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】 |
本文首先从粗糙集理论中隶属函数这一概念出发，从语义的角度讨论了粗糙集与模糊集理论的区别与联系。同时建立了普通粗糙集，粗模糊集和模糊粗集中隶属函数的统一描述。基于粗集理论与概率论的联系，讨论了粗集与信息熵的关系，并得出了一种基于熵的规则提取算法。进而，以粗集理论中知识类对于一给定概念的上、下逼近隶属度为理论基础，提出了规则提取算法LBR，在将该算法与美国Kansas大学提出的算法LEM1进行比较的结论之上，给出了将LEM1改进后算法LEM3，这实际上是一种变精度的LEM1。这种变精度性可建立在知识的依赖性度量之上，因此，本文进一步讨论了知识的依赖性度量，将已有的Pawlak依赖性度量推广，并分别从信息论，模糊集理论，粗集理论和经典集合论的角度给出了范例。在前面一系列讨论的基础上，本文建立了基于粗糙神经元的粗—模糊神经网络和基于规则提取的粗—模糊神经网络模型，通过仿真实验，取得了较好的预测和拟合效果。 |
| 【论文题纲】 |
|
中文摘要 |
3-4 |
|
摘要（英） |
4-5 |
|
前言 |
5-7 |
|
第0章 预备知识 |
7-8 |
|
第1章 粗集与模糊集、信息熵关系初探 |
8-19 |
|
1．1 普通粗集、粗模糊集与模糊粗集 |
8-14 |
|
1．2 粗集理论与信息熵 |
14-19 |
|
第2章 基于粗集的规则提取LBR和LEM3 |
19-34 |
|
2．1 规则提取算法LBR |
20-23 |
|
2．2 LEM3 |
23-27 |
|
2．3 知识的依赖性度量及改进的LEM3 |
27-34 |
|
第3章 粗——模糊神经网络及其应用 |
34-41 |
|
3．1 基于粗—神经元的粗—模糊神经网络 |
34-37 |
|
3．2 基于规则提取的粗—模糊神经网络 |
37-41 |
|
第4章 粗集理论的应用及前景 |
41-42 |
|
第5章 值得思考的问题 |
42-43 |
|
参考文献 |
43-44 |
|
| 【DOI】 | LunWen.ID:2.2008.386643 |
