粗集神经网络集方法及其在模式识别中的应用.pdf

摘 要 粗糙集理论是处理不确定、不完整、不精确知识的有力工具，该理论已成为 不确定性计算领域的一个重要分支。粗糙集对信息系统的分析建模，涵盖了人类 逻辑思维的归纳推理、演绎推理和常识推理这三种形式，直接模拟了人脑的逻辑 思维能力。而通过大量神经元互连形成的神经网络是不确定性计算领域的另一个 重要分支，具有很强的非线性映射能力及自适应、自学习、鲁棒性和容错能力， 是对人脑直观形象思维的模拟。鉴于粗糙集和神经网络在信息处理方式、知识获 取、抗噪声能力、泛化性能等方面有很多互补之处，将两者集成的粗集神经网络 反映了人类智能中定性和定量、清晰和隐含、串行和并行交叉混合的思维机理， 其研究必然具有前沿性、科学性及优越性。作为当今智能集成系统的一个重要分 支，粗集神经网络集成可望成为开发下一代专家系统的主流技术。 本文通过增强粗集神经网络的信息处理能力，建立新的决策系统建模方式， 拓展其应用领域，解决其易构造性和计算复杂性问题等方面进行了一系列的探索 和研究，提出了一些新的粗集神经网络集成方法并研究了它们在模式识别领域的 应用． ，。 通过对近十几年发展起来的国内、外粗集神经网络集成方法的总结和归纳， 本文将粗集神经网络划分为三种主要的集成方式：粗集神经网络综合集成系统、 粗边界神经网络、粗一颗粒神经网络。介绍了每一种集成方式的研究现状，并对 其原理及特点进行了分析和阐述。 不同于以往单纯基于粗糙集数据分析和约简基础下的粗集神经网络模型，基 于粗逻辑理论，研究了粗逻辑意义下，基于粗逻辑决策规则的“强耦合”形式的 具有模糊化神经元的粗逻辑神经网络模型的设计，分析和比较了粗逻辑神经网络 TM 和模糊逻辑神经网络的特点和性质。在重庆地区和长自山天池地区Landsat 遥感图像的地物分类实验中，验证了粗逻辑神经网络模型的有效性，同时可以发 现其在网络结构和收敛性方面的优势。 通过在输入层和隐含层之间加入一个模糊化神经元层，构造了一种集成模糊 神经元和租神经元的模糊粗神经网络模型。由于粗神经元的不可微性，BP算法 不再适用，因此本文采用遗传算法(GA)来进行网络权值的学习，同时融入具 有局部最优解搜索能力的爬山法改善了进化后期的计算效率。仿真表明，融合了 模糊信息和粗糙集信息处理能力的模糊粗神经网络模型在图像融合滤波方面比 BP网络和单纯由粗神经元构成的粗集神经网络模型具有更好的性能，是一种性 能很好的混合智能神经网络。 ．H． 由于系统中模糊不确定性信息和粗糙不确定性信息往往是并存的，有必要采 Set)理论来进行处理，基于模糊粗隶属函数，本 用模糊粗糙集(Fuzzy．Rough 文创建了一种模糊粗隶属函数神经网络(FRMFN)模型。融入了粗糙不确定性 信息处理能力的FRMFN，在保留原有模糊相似信息的基础上，很大程度减少了 分类中的粗糙不确定性。在遥感图像分类和元音字母语音识别的实验中，显示 RBF网络学习速度快的优点。 基于经典Pawlak粗糙集分析设计的应用系统的推广泛化能力弱，抗噪声性 能差。为更好地解决这些问题，研究了基于“多数包含关系”的变精度粗糙集模 型下的粗集神经网络设计。文中对∥近似约简条件进行了弱化推广，在结合约简 异常分析和实例分析的基础上，提出了口近似约简的选取原则，给出了变精度粗 糙规则集提取和口阈值稳定区间求取算法。在对Brodatz纹理图像的分类实验中， 分类表现出了更强的泛化性能。 为降低集成特征选择方法的计算复杂性，提出一种基于粗糙集约简的神经网 络集成分类方法。首先，通过结合遗传算法求约简和重采样技术介绍了一种动态 约简方法，通过动态约简方法可以获得稳定的、泛化能力较强的属性约简集。然 后，基于不同约简设计BP网络作为待集成的基分类器，并依据选择性集成思想， 通过一定的搜索策略，找到具有最佳泛化性能的集成网络。最后，通过多数投票 法实现神经网络集成分类。该方法在某地区Landsat7波段遥感图像的分类实验 中得到了验证，由于通过粗糙集约简，过滤掉了大量分类性能欠佳的特征子集， 和传统的集成特征选择方法相比，本文方法时间开销少，计算复杂性低，具有良 好