基于粗糙集的神經网络在模式识别中的应用.docVIP

基于粗糙集的神经网络在模式识别中的应用 摘要：为解决神经网络在模式识别中存在的噪声问题，基于粗糙集的上、下近似和边界线集理论提出了一种对噪声样本进行处理的方法。该方法主要包括对处于下近似集内的含噪声属性值,将噪声消除后转换为理想状态下的属性值;对处于边界域内的含噪声属性值保持不变。当属性值处于边界域内属性的个数与全部属性数的比值达到某个确定的值时,就认为该样本受到噪声干扰过大,对其拒绝识别。通过实验对比表明,该方法能有效地降低BP网络模式识别的误识率。 关键词：粗糙集 神经网络 模式识别 中图分类号：TP18 文献标识码：A Study on BP Network for Pattern Recognition Based on RS Theory Fan li meng ( School of Information Engineering, Hebei University of Technology, Tianjin 300401, China ) Abstract: In order to solve the noise problem of BP network for pattern recognition,proposes a method to process the noisy samples based on the upper approximations, the lower approximations and the boundary region theories of rough sets. The method eliminates the noise of attribute values and changes them into ideal values when they are in the lower approximations; and those attribute values with noise will remain unchanged while they are in the boundary region. The sample will be refused to recognize if the percent of its attributes with their values in the boundary region is over a certain point. The results of experiment show that the method can effectively reduce the false recognition rate of BP network for pattern recognition. Keywords: rough sets,BP network,pattern recognition 1 前言 神经网络在模式识别中的应用十分广泛，由于网络训练样本中存在大量的冗余信息，常导致神经网络结构复杂、训练速度较慢、识别率不高等问题。 粗糙集理论是一种处理含糊和不精确性问题的新型数学工具。自1982年波兰科学家Z.Pawlak 提出该理论以来，发展十分迅速。粗糙集理论具有强大的定性分析能力，不需要预先给定某些特征或属性的数量描述，能有效地分析和处理不精确、不完整、不一致数据，可以发现数据间隐藏的关系，提取有用的信息，简化信息处理。粗糙集的主要特点之一便是在分类能力保持不变的前提下，通过对知识的约简，导出概念的分类规则。近年来粗糙集理论在模式识别、机器学习、故障诊断、知识获取与发现、决策分析与支持等领域取得了较为成功的应用。 本文根据粗糙集的优点，在神经网络中引入粗糙集方法可有效地改善神经网络对有噪声、有冗余或不确定值数据输入模式的处理能力。粗糙集对神经网络和识别技术具有明显的方法学意义，特别是在模糊或不精确知识的表达、机器学习、决策分析、知识发现、模式识别等领域。在神经网络训练前，引用粗糙集理论对神经网络的训练样本进行属性约简，提取训练样本的重要特征，使得训练样本的输入向量维数减少，进而简化神经网络的结构，提高网络训练速度和识别率。 2 方法原理 （1）粗糙集基本理论 = 1 \* GB3 \* MERGEFORMAT ①知识表达系统 为了处理智能数据，需要知识的符号表达，而知识表达系统（KRS）的基本成分是研究对象的集合，因此可以表达为： （1） 这里，U是论域，即为对象的集合；Q是属性集合，分为条件属性集C和决策属性集D，,；是属性值的集合，表示了属性的范围；f是的映射。 知识表达系统K有时可以简写为：，它常用表格表达或决策