基于粗糙集的RBF網(wǎng)絡(luò)設(shè)計(jì)方法的研究.pdf

1、波蘭科學(xué)家Z.Pawlak提出的粗糙集理論對(duì)于處理不精確、不確定、不完整的信息和知識(shí)是一種非常有效的新的數(shù)學(xué)工具。而RBF網(wǎng)絡(luò)是近年來發(fā)展起來的一種優(yōu)良的前向網(wǎng)絡(luò)，其結(jié)構(gòu)簡(jiǎn)單，訓(xùn)練快捷，可以逼近任意非線性函數(shù)成為一種新的用于系統(tǒng)建模的工具。但對(duì)于復(fù)雜系統(tǒng)，用神經(jīng)網(wǎng)絡(luò)建立模型，初始的訓(xùn)練樣本難以保證知識(shí)的完整性和有效性，往往存在著冗余和噪聲，以致造成網(wǎng)絡(luò)的結(jié)構(gòu)龐大，訓(xùn)練困難，難以達(dá)到要求的精度。粗糙集理論與神經(jīng)網(wǎng)絡(luò)具有很好的互補(bǔ)性，兩者的

2、集成已受到國(guó)內(nèi)外學(xué)者越來越多的關(guān)注，為處理不確定、不完整信息提供了一條強(qiáng)有力的途徑。
　　本文主要研究了基于粗糙集的RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)計(jì)方法，并進(jìn)行了仿真研究。主要內(nèi)容包括:
　　(1)研究了選取RBF網(wǎng)絡(luò)中心的學(xué)習(xí)算法，通過分析各種學(xué)習(xí)算法的優(yōu)缺點(diǎn)，最后用OLS算法訓(xùn)練的RBF網(wǎng)絡(luò)很好的逼近了Hermite多項(xiàng)式;
　　(2)提出了一種基于粗糙集的屬性值約簡(jiǎn)算法。本文通過實(shí)例介紹了該算法的應(yīng)用，研究表明，該算法不

3、僅能得到最佳的決策規(guī)則，而且能夠大大降低信息系統(tǒng)所需的存儲(chǔ)空間，該算法可以解決各種有關(guān)的實(shí)際問題;
　　(3)提出了一種基于粗糙集理論和OLS算法的RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)計(jì)方法。首先利用系統(tǒng)的輸入輸出樣本數(shù)據(jù)建立粗糙集知識(shí)表達(dá)系統(tǒng)，通過計(jì)算輸入空間知識(shí)對(duì)輸出空間知識(shí)的確切度來定量分析每個(gè)輸入變量對(duì)輸出的影響程度，約簡(jiǎn)知識(shí)表達(dá)系統(tǒng)的輸入空間，從而確定系統(tǒng)階次和網(wǎng)絡(luò)輸入層的節(jié)點(diǎn)個(gè)數(shù)，然后用OLS算法來確定RBF網(wǎng)絡(luò)的隱層節(jié)點(diǎn)個(gè)數(shù)和輸出