基于输入扰动的分层混合模糊-神经网络敏感性分析

摘要

分层混合模糊-神经网络(HHFNN)能较好地处理离散和连续变量并存的高维数据,为了提高其解释能力和在数据挖掘应用中的说服力.本文针对输入中离散和连续数据并存的特点,提出一种基于输入扰动的分层混合模糊-神经网络敏感性分析方法,首先优化HHFNN模型,然后依次给测试数据集的各个输入变量添加高斯白噪声,计算模型加入噪声前后的均方误差(MSE).MSE差值越大说明相应的输入对模型输出影响越大,其重要性程度越高.为了验证本文提出方法的有效性,选用人工模拟数据集和UCI-Pyrimidines数据集进行实验,结果表明本文所提方法能够筛选出模型重要性程度高的属性,有效地约简了模型.