一般模糊极小极大神经网络的改进及应用研究.pdfVIP

摘要 近几年，模糊理论和神经网络技术是人工智能研究领域中的两个热点．将二者有机的结合 Neural 起来，形成了模糊神经网络(Fuzzy Network．简称“FNN”)．FNN就是具有模糊权系数 或者输入信号是模糊量的神经网络．FNN吸取了人工神经网络和模糊理论的优点，它在处理非 线性、模糊输入等难题上有很大的优势，并且在处理智能信息上具有很大的潜力．在FNN基础 Min—MaxNeural 上又发展了一般模糊极小极大神经网络(General Network，简称 Fuzzy “GFMN”)，此网络是～种具有鲜明特征的网络，它是FNN分类和聚类的融合． 本文主要由两部分组成：第～部分是对GFMN的概述；第_二部分是对GFMN的改进，并将 其应用于企业资信评估中． GFMN的主要优点是利用超盒可以同时处理标记数据和未标记数据，学习部分标识的数据 在模式识别系统中是非常重要的一环，当然怎么有效的识别未标识数据也是必不可少的．但是 该网络也存在一些缺陷，不能够完全聚类和自适应在线学习，其训练样本仍然需要部分标识出 来；当遇到新的类时，则只能将其全部归为未知的类，进而无法达到聚类的预期效果． 本文提出改进后的GFMN正好填补了这一不足。在学习实验样本过程中，网络试图包含这 个实验样本于已存在的同一类的超盒中，超盒的大小将会改变，那么这个过程被称为超盒扩张． 若超盒扩张不存在，则网络加入一个新的超盒，并且属于同一类的超盒的聚合形成一个完整的 类．通过修改其结构和学习算法，实现了加入新类或删除一个已存在类功能的GFMN，解决了 原有算法中存在的不足之处．为了更为广泛的应用GFMN，以对企业资信评估分析为例来验证 本文提出的网络结构和学习算法的有效性． 关键词：人工神经网络：模糊神经网络；一般模糊极小极大神经网络；隶属度函数：超盒扩张： Abstract Inrecent andneuralnetwork inthefieldof years，fuzzytheory artificial technology intelligence researchthe is twohot thenwecombinethem andforma neuralnetwork spots．And organically fuzzy aneural networkwhichthe is variable．FNNabsorbsthe (FNN)．nⅢis signalfuzzy input advantages ofneuralnetworkand has in in of fuzzysystem，it many superiorityproblems，especiallychallenge isa intermsof nonlinear,fuzzy．There information thebasis hugepotential intelligent processing．0n of neural rain·maxneu