基于粗糙-知识的神经网络在模式分类中的研究

摘要

针对模式分类任务，提出一种基于粗糙－规则的神经网络构造方法，利用粗糙集理论和遗传算法约简输入特征，在尽量保持分类能力不变的情况下降低条件属性维数，导出简练的分类规则集合，以此为基础构造BP（Back Propagation）神经网络结构，确定网络层数，输入、输出节点个数等，并利用规则的条件属性重要度和依赖度对连接权值进行初始化，有效地解决了传统神经网络构造难、解释难、过拟合等问题，提高了分类精度。最后通过一个实例验证了方法的有效性，并初步探讨了网络训练时对知识提炼的影响。