神经网络规则抽取研究

尽管神经网络已经在很广泛的领域得到应用,但由于训练好的神经网络中的知识不易于理解,神经网络被视为一个典型的“黑箱”结构。从神经网络中抽取规则来表示其中隐含的知识是解决个问题的一个有效的手段,将对一些具有代表性的神经网络规则抽取算法进行综述分析,并提出一些未来的研究重点。     

FTART2神经网络及其规则抽取研究

本文提出了一种基于域理论的自适应谐振神经网络算法ＦＴＡＲＴ２,算法将自适应谐振理论和域理论的优点有要结合,不需人为设置隐层神经元,学习速度快,精度高。此外,本文不提出了一种从ＦＴＡＲＴ２网络中抽取符号规则的方法。实验结果表明,使用该方法抽取出的符号规则可理解性好,预测精度高,可以很好地描述了ＦＴＡＲＴ２网络的性能。     

知识管理系统的神经网络规则抽取算法研究

神经网络与知识管理系统的结合,通过神经网络规则抽取算法来解决专业领域的实际问题,实现了人工智能领域网络机制与符号机制的结合,保证了知识获取的时效性和质量性。     

一种基于统计的神经网络规则抽取方法

从功能性观点出发,提出了一种基于统计的神经网络规则抽取方法.该方法利用统计技术对抽取出的规则进行评价,使其可以较好地覆盖示例空间.采用独特的连续属性处理方式,降低了离散化处理的主观性和复杂度.采用优先级规则形式,不仅使得规则表示简洁、紧凑,而且还免除了规则应用时所需要的一致性处理.该方法不依赖于具体的网络结构和训练算法,可以方便地应用于各种分类器型神经网络.实验表明,利用该方法可以抽取出可理解性好,简洁、紧凑,保真度高的符号规则.     

神经网络规则抽取评估方法

神经网络规则抽取是神经网络领域的一个重要方向,但是对抽取的规则评估算法却很少.针对这一问题,提出了神经网络抽取规则评估方法.首先证明所有的规则形式都可以统一为区间的形式,然后在区间算法的基础上提出规则评估方法.评估的标准有四个:覆盖性、准确性、矛盾性,以及冗余性.由于规则的矛盾性和冗余性是规则之间的问题,所以该文仅仅研究规则的覆盖性和准确性,提出了覆盖性判断定理,并提出了覆盖性、准确性判断算法.实例证实了该算法的有效性.     

一种基于神经网络的规则获取方法

分类问题是数据挖掘中的一个重要问题，分类目的就是寻找规则，具体来说，就是从给定的数据集合中找出能把数据集划分成不相交的若干个组的规则，目前已有的在大型数据库中挖掘分类规则的数据挖掘方法，主要还是基于符号学习机制的决策树方法．本文研究了一种新型的规则抽取算法，能够从神经网络中抽取出较好的规则．     

基于神经网络规则抽取的个人信用评估模型研究

摘要：本文针对传统个人信用评估体系中的不足,提出了一种基于神经网络规则抽取的个人信用评估模型。通过对已经训练好的人工神经网络隐层激活值进行聚类分析,减少搜索空间,进而抽取出理解性好、简洁的符号规则。从而产生一组可理解的描述,这组描述能最大限度的模拟已经训练好的原神经网络的推理预测行为。使得评价中的人为因素得到弱化,克服了神经网络在个人信用评估中的“黑箱”性缺陷,增强了模型的稳健性：和可理解性。     

基于规则的百科人物属性抽取

信息抽取是数据挖掘的一个重要领域,文本信息抽取是指从一段自由文本中抽取出指定的信息并将其结构化数据存入知识库供用户查询或下一步处理所用。人物属性信息抽取是智能人物类搜索引擎构建的重要基础,同时结构化信息也是计算机所能理解的一种数据格式。作者提出了一种自动获取百科人物属性的方法,该方法利用各属性值的词性信息来定位到百科自由文本中,通过统计的方法发现规则,再根据规则匹配从百科文本中获取人物属性信息。实验表明该方法从百科文本中抽取人物属性信息是有效的。抽取的结果可以用来构建人物属性知识库。     

规则抽取：是用神经网络还是为神经网络？

传统的神经网络是一种黑箱模型，其学习到的知识蕴涵在大量连接权中，这严重阻碍了神经网络技术在对可理解性要求较强的领域的应用。由于从神经网络中抽取出易于理解的符号规则有助于解决该问题，因此，神经网络规则抽取在上世纪90年代成为神经计算界的一个研究热点。     

基于免疫克隆选择算法的神经网络规则抽取

神经网络的不可解释性一直是限制其发展的固有缺陷,该文从神经网络的功能性观点出发,提出基于免疫克隆选择算法的神经网络规则抽取方法。将免疫克隆策略用于神经网络的规则抽取中,对已经训练好的神经网络隐层神经元输出值进行聚类,缩小搜索空间,抽取出理解性好、简洁的符号规则。该方法不依赖于具体的网络结构和训练算法,可以方便地应用于各种分类器型神经网络。实验结果表明该方法的实用性和可行性。     

基于神经网络结构学习的知识求精方法

知识求精是知识获取中必不可少的步骤．已有的用于知识求精的ＫＢＡＮＮ（ｋｎｏｗ ｌｅｄｇｅ ｂａｓｅｄ ａｒｔｉｆｉｃｉａｌｎｅｕｒａｌｎｅｔｗ ｏｒｋ）方法,主要局限性是训练时不能改变网络的拓扑结构．文中提出了一种基于神经网络结构学习的知识求精方法,首先将一组规则集转化为初始神经网络,然后用训练样本和结构学习算法训练初始神经网络,并提取求精的规则知识．网络拓扑结构的改变是通过训练时采用基于动态增加隐含节点和网络删除的结构学习算法实现的．大量实例表明该方法是有效的     

基于TS模糊神经网络的Fuzzy规则自动获取研究

Fuzzy规则的获取一直是模糊智能系统的一个瓶颈。醉在深入研究TS模糊神经网络的物理意义的基础上,给出了使用遗传算法优化模糊规则集的算法并提出了从训练后的TS模糊神经网络中抽取Fuzzy规则的可操作方法。分析和实验证明,这种方法可以实现且是有效的,对于Fuzzy规则自动获取的研究具有积极的借鉴意义。     

一种基于符号神经网络的知识获取方法

本文介绍一种基于符号神经网络的知识获取方法，该方法首先用传统的机器学习方法获取关于某领域的粗略知识，然后把这些知识映射到神经网络结构，通过神经网络的自学习获取关于该领域的精细知识，这样，既解决了传统机器学习中知识精度，知识表示等问题，又解决了神经网络获取知识时间长，能释能力弱等问题。     

LEARNING MONOTONIC-CONCAVE INTERVAL CONCEPTS USING THE BACK-PROPAGATION NEURAL NETWORKS

Monotonicity and concavity play important roles in human cognition, reasoning, and decision making. This paper shows that neural networks can learn monotonic-concave interval concepts based on real-world data, Traditionally, the training of neural networks has been based only on raw data. In cases where the training samples carry statistical fluctuations, the products of the training have often suffered. This paper suggests that global knowledge about monotonicity and concavity of a problem domain can be incorporated in neural network training. This paper proposes a learning scheme for the back-propagation layered neural networks in learning monotonic-concave interval concepts and provides an example to show its application.     

一种基于信息熵的神经网络规则提取方法

从训练后的神经网络中提取规则已成为当前研究热点.已有的网络规则提取方法常需网络修剪和再训练过程,因而计算成本较高.本文提出一种基于信息熵的神经网络规则提取方法,它在网络无需重复训练的情况下能够从训练过的神经网络中快速提取规则.其算法主要有四个过程组成:网络训练、决策树构建和相关隐单元识别、相关输入连接的识别及规则产生.文章以异或问题和棉花病害诊断规则提取为例进行实验,结果表明,基于信息熵的神经网络规则提取方法是有效可行的.     

Using single-layered neural networks for the extraction of conjunctive rules and hierarchical classifications

Machine Learning is an area concerned with the automation of the process of knowledge acquisition. Neural networks generally represent their knowledge at the lower level, while knowledge based systems use higher level knowledge representations. The method we propose here, provides a technique which automatically allows us to extract production rules from the lower level representation used by a single-layered neural networks trained by Hebb's rule. Even though a single-layered neural network can not model complex, nonlinear domains, their strength in dealing with noise has enabled us to produce correct rules in a noisy domain.     

非线性系统的神经网络学习控制

主要控制了一类非线性系统的神经网络学习控制问题。讨论了以迭代学习方式训练的神经网络学习控制器，在满足一定条件，可以实现一定时间内的系统输出跟踪。     

基于神经网络规范约束的关联规则挖掘

分析了现有关联规则挖掘所潜在的问题,给出了约束关联查询的定义和基于神经网络规范约束集的构建;在此基础上,提出了基于神经网络规范约束的关联规则挖掘解决方案（CARMRNN）,并给出了其体系框图和实现算法。