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

1、波蘭科學家Z.Pawlak提出的粗糙集理論對于處理不精確、不確定、不完整的信息和知識是一種非常有效的新的數(shù)學工具。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)簡單，訓練快捷，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。但對于復雜系統(tǒng)，用神經(jīng)網(wǎng)絡(luò)建立模型，初始的訓練樣本難以保證知識的完整性和有效性，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，訓練困難，難以達到要求的精度。粗糙集理論與神經(jīng)網(wǎng)絡(luò)具有很好的互補性，兩者的

2、集成已受到國內(nèi)外學者越來越多的關(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)計方法，并進行了仿真研究。主要內(nèi)容包括:
　　(1)研究了選取RBF網(wǎng)絡(luò)中心的學習算法，通過分析各種學習算法的優(yōu)缺點，最后用OLS算法訓練的RBF網(wǎng)絡(luò)很好的逼近了Hermite多項式;
　　(2)提出了一種基于粗糙集的屬性值約簡算法。本文通過實例介紹了該算法的應用，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)所需的存儲空間，該算法可以解決各種有關(guān)的實際問題;
　　(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)建立粗糙集知識表達系統(tǒng)，通過計算輸入空間知識對輸出空間知識的確切度來定量分析每個輸入變量對輸出的影響程度，約簡知識表達系統(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)點個數(shù)，然后用OLS算法來確定RBF網(wǎng)絡(luò)的隱層節(jié)點個數(shù)和輸出