基于递阶遗传算法模糊加权神经网络的模糊规则自动获取

针对模糊规则的自动获取一直是模糊系统的一个瓶颈问题，提出一种基于递阶结构的混合编码遗传算法与进化规划相结合的模糊加权神经网络学习新算法，利用该算法同时优化模糊加权神经网络的结构和参数，最后说明了从网络中提取模糊规则的方法，从而自动获得最优的模糊规则。分析和实验结果表明，本文方法在规则提取和分类准确性等方面比其他方法更好。     

基于模糊神经网络的植物生长建模

提出一种基于模糊神经网络的植物建模方法,将测量的植物生理数据作为模糊神经网络的输入,自动学习拟合植物器官生长函数,提取生长规则。由同化物驱动植物生长发育,对虚拟器官的属性进行修改,将生理部分的变化反馈到结构部分。当虚拟环境变化时,模型响应环境变化,自动调整生长函数的参数和生长规则,使植物趋向于有利生长环境。实验结果表明,该方法能够准确提取植物生长函数和生长规则,对植物生长进行逼真的模拟。     

基于神经网络和粗糙集规则的提取方法

在利用粗糙集对连续性数据进行分类规则挖掘时，需要对数据进行离散化处理，但是离散结果往往会破坏原有数据的隐含信息，提取的分类规则质量难以保证。该文设计了一种基于自组织人工神经网络与粗糙集理论的分类规则提取方法，利用神经网络自动分类的功能，对离散前后的数据进行分类，比较两次分类结果是否一致，当达到一致性结果后，再利用粗糙集理论对数据约简，进行规则提取，有效地解决了原始数据信息丢失的问题，通过实例证明了该方法的合理性。     

由神经网络提取规则的一种方法及其应用

提出一种由预处理和规则提取两阶段组成的方法从神经网络中提取规则，预处理阶段包含有动态修正、聚类和删枝３部分。动态修正是自动生成或由初始规则集构造出全联接或非全联接网络初步拓扑结构；聚类和删枝分别删截掉不重要或多余的隐含节点和联接，从而可以得到最简洁和规模小的拓扑结构，成为提取规则的基础，提出了规则提取算法并用于已删截好的网络提取规则。该方法应用于美国ＡＤ报告中气象云图的数据，提取出规则集，经过测试     

二进神经网络中汉明球的逻辑意义及一般判别方法

剖析二进神经元的逻辑意义对二进神经网络的规则提取是十分重要的，在布尔空间中，汉明球是一种线性可分的空间结构，如何从汉明球中提取出具有清晰逻辑意义的规则是二进神经网络研究的一个问题，通过对MofN规则表达形式的扩展，分析了汉明球的逻辑意义，提出了表达汉明球逻辑意义的LEM规则和GEM规则方法，并且讨论了汉明球和汉明补球的等价性，另一个重要的结果是证明了二进神经元和汉明球等价的充要条件，从而建立了判别汉明球的一般方法。     

机械手自适应模糊控制器设计

本文提出了一种自适应模糊控制器用于机械手轨迹跟踪控制,该控制器通过对训练数据的聚类分析提取典型数据送入神经网络学习,得到的控制规则更加适用,在线控制时可以自动调整神经网络的结构以及隶属函数的参数。仿真实验表明该控制器能够对机械手实时控制,而且精度较高。     

基于粗糙集和神经网络理论的规则提取算法

提出了一种基于粗糙集和神经网络组合进行规则提取的方法。首先对初始数据集进行离散化,并利用粗糙集对决策表中的条件属性进行初步约简,然后利用神经网络对数据进行学习和预测,并通过删除网络不能分类的数据来对决策表中的噪声进行过滤,最后再由粗糙集值约简算法进行规则提取。实验表明,该方法相对于传统规则提取算法快速有效,在保留神经网络高鲁棒性的同时,避免了从神经网络中提取规则的困难。     

基于堆叠降噪自编码器的神经–符号模型及在晶圆表面缺陷识别

深度神经网络是具有复杂结构和多个非线性处理单元的模型, 通过模块化的方式分层从数据提取代表性特征, 已经在晶圆缺陷识别领域得到了较为广泛的应用. 但是, 深度神经网络在应用过程中本身存在“黑箱”和过度依赖数据的问题, 显著地影响深度神经网络在晶圆缺陷识别的工业可应用性. 提出一种基于堆叠降噪自编码器的神经–符号模型. 首先, 根据堆叠降噪自编码器的网络特点采用了一套符号规则系统, 规则形式和组成结构使其可与深度神经网络有效融合. 其次, 根据 网络和符号规则之间的关联性提出完整的知识抽取与插入算法, 实现了深度网络和规则之间的知识转换. 在实际工业晶圆表面图像数据集WM-811K上的试验结果表明, 基于堆叠降噪自编码器的神经–符号模型不仅取得了较好的缺陷探测与识别性能, 而且可有效提取规则并通过规则有效描述深度神经网络内部计算逻辑, 综合性能优于目前经典的深度神经网络.     

粗糙集CMAC神经网络及其在非线性系统辩识中的应用

提出了一种基于粗糙集规则提取的CMAC神经网络非线性系统辩识策略。该策略利用粗糙集理论对数据样本进行数据浓缩，提取初步的映射规则。对初步的规则通过神经网络进行粗映射，利用神经网络的分类逼近能力，建立输入状态空间到输出空间的精确映射，大大提高了神经网络的收敛速度和逼近精度。通过一个非线性系统对该神经网络进行了实验，结果表明，该神经网络具有分类逼近能力强、计算量小等优点。     

基于Web内容的一种数据自动抽取方法

Web的迅速发展,使其日益成为人们查找有用数据的重要来源,但是Web站点主题各异、形式多样、结构不同,其页面组织结构很难用系统的方法来有效抽取目标数据.文中将使用Asp. Net技术开发一种基于Web内容的数据自动抽取方法.首先选择目标数据源并自动调用获取其静态html文档内容,然后根据约定规则生成网页描述文件,分析html文档,设定目标锚,最后利用正则表达式和c#技术自动抽取目标数据并生成所需Web页面.这种数据自动抽取方法可以使Web用户快捷地从结构化、半结构化网页中抽取其所需的数据信息     

基于改良蚁群算法的神经网络分类规则提取

在数据挖掘领域,分类获得了很大的关注度,其主要目的是预测数据对象的所属类别。分类方法可分为基于规则和不基于规则两大类,其中神经网络由于在预测、从经验中学习、从先前样本中泛化等方面的优秀表现,使其成为分类领域的一个重要的方法,并往往能够获得很高的分类准确性,然而其非常有限的解释能力成为了制约其应用的一大缺陷。提出了一种基于改良蚁群算法的神经网络分类规则提取方法,通过改良的蚁群算法来填补神经网络有限的解释能力,从数据中提取出分类规则。实验证明,该方法能够很好的辅助神经网络,从要分类的数据中获取规则。     

一种基于功能性观点的神经网络规则提取方法

研究一种基于功能性观点的神经网络规则提取方法.阐述特征排序与选择、连续属性离散化、训练样本产生、神经网络训练、示例样本产生及规则提取等关键算法.并用UCI数据和人群分类数据对方法进行分析和验证.结果表明本文方法的正确有效性.     

基于气象因子Fuzzy模糊处理的短期电力负荷预测

电力短期负荷预测受各种气象因素的影响,这导致短期电力负荷预测准确度不高。使用模糊逻辑处理温度、湿度和风速的三种影响因素,把它们转化为能被BP神经网络输入识别的具体的数据。该网络经过训练后,得到合适的权值。利用该模糊神经网络,测试电力日负荷数据,预测的平均误差约在±1.69%。     

基于神经网络的自适应模糊控制器

本文提出了一种基于神经网络的自适应模糊控制器，控制器为５层前向结构，其输入和输出均为数值量。根据给定的训练数据，通过学习算法，能够实现前件参数和后件参数的辨识，提取控制规则，最后通过仿真实验证明了这种方法的有效性。     

模糊神经网络在数据采掘中的应用研究

提出了一种基于模糊神经网络的数据采掘新方法。该方法首先基于Rough sets思想获取初始规则和训练集，基于采掘属性的数目和分类目标确定网络结构，通过遗传(GA)算法对网络进行优化，通过BP算法实现网络权值的在线调整，最后对所生成的规则进行简化，提取模糊规则。仿真实例结果表明，该方法是行之有效的。     

从数据中提取生料浆配料过程运行控制的模糊规则

将减法聚类、神经网络、最相邻原则、对提取后的规则进行调整等方法相结合,从过程数据中自动提取出模糊规则,从而实现在氧化铝生料浆配料过程中将生料浆的各项质量指标控制在目标值范围内.某氧化铝厂的应用结果表明,所提取的模糊规则不仅具有良好的完备性和可解释性,同时可根据工况的变化自动调整各个控制回路的设定值,实现了该过程的优化运行.     

基于神经模糊逻辑的显著误差检测方法

将神经网络和模糊逻辑有机结合起来的神经网络模糊逻辑系统，具有自组织和监督学习样本、自动构造和发展模糊规则、发现和优化输入输出隶属函数等优点，从而使系统具有较快的收敛速度。将它应用于化工稳态过程中测量数据的显著误差检测，并与传统的显著误差检测方法相比，结果表明了此方法的有效性。     

一类正则模糊神经网络及在沉积微相识别中的应用

考虑一种5层结构的正则化模糊神经网络模型，针对网络结构的优化问题给出了该网络模型规则层节点的选取方法和相应的反传学习规则；针对样本筛选问题，提出一种按模糊隶属函数值相近样本向量类别矫正策略。将正则模糊神经网络用于油藏沉积微相的识别，可自动提取测井曲线与微相类型之间复杂的映射关系，实现沉积微相的连续识别。实际资料处理结果表明，该方法对解决沉积微相识别问题具有良好的适应性和实用性。     

基于偏序集的数据清洗规则链自动生成方法

针对数据清洗中规则间逻辑冲突频发和出错率高的问题,提出一种基于偏序集的规则链自动生成方法。通过分层组合的数据清洗框架自顶向下对规则进行分类处理,采用偏序集和哈斯图自动生成每个层级的逻辑正确和一致的规则链,并设计出对应的生成算法和自动清洗算法。以扶贫领域数据为例进行实验,结果表明该方法使数据清洗效率有一定提升,清洗结果出错率明显降低,检验了方法的科学性和有效性。     

二进神经网络逻辑关系判据及等价性规则提取

二进神经网络中提取知识主要体现为对输入输出逻辑关系的提取,而逻辑关系的表达方式分为蕴含性规则和等价性规则文中对比了蕴含性规则和等价性规则的差异;以KT方法为例,讨论了蕴含性规则在表达二进神经网络内在知识时,对某些具有明确逻辑意义的二进神经网络,并不是最清晰的表达方式.对这些逻辑关系,采用等价性规则可以简洁清晰地解决问题,所以对于二进神经网络神经元表达的逻辑关系建立可能的等价性规则提取方法是有意义的.CH判据是一种提取等价性规则的方法,但CH判据是充分性判据,对二进神经元的权系数有约束条件,因此不适用于任何学习算法的学习结果.为解决这些问题,文中研究了二进神经网络表达几类等价逻辑关系的充要性判据,并根据这些判据提出了提取等价性规则的WTA方法.在使用WTA方法时,必须预先对二进神经元进行必要的剪枝.文中证明了剪枝定理,并通过二个例子说明了用WTA方法进行规则提取的过程.