论文部分内容阅读
模糊神经网络能够有效地处理非线性、模糊性等问题,在智能信息处理方面发挥着巨大的作用,传统的模糊神经网络算法具有传统神经网络的学习能力,并在数据挖掘中可兼顾数据的模糊性,但存在着隶属函数需根据专家经验人为确定、无法处理数据的随机性等问题,并且无法实现定量数据与定性概念的双向转换,在数据处理和算法运行过程中容易造成数据不确定性的丢失。云理论在处理不确定性方面具有极大的优势,通过三个数字特征、确定度及不确定性云发生器实现对数据随机性和模糊性的统一处理,并保证不确定性的传递,更加适合对不确定概念的表达。现有的云神经网络模型在处理大数据集时容易发生“规则灾难”。因此,在模糊神经网络中引入云模型,通过云模型对不确定性的处理能力,在兼顾数据的模糊性和随机性的同时,保证算法的时效性和准确率。为了解决隶属函数确定过程中需要经验和人为因素影响较大的问题,本文将云模型的确定度引入模糊神经网络,代替隶属度,通过每次随机取值,避免了人为确定和专家经验的影响。针对不同类型的数据集,提出使用高斯拟合或模糊聚类的方法确定云的数字特征,以提高云模型计算的准确率;将云发生器与神经元结合,构造不确定性神经元,实现数据不确定性的传递。由于云模型在产生规则时,受数据维度和数据量的影响较大,多维数据产生的规则数量呈指数级增长,提出使用格论对云规则进行上下确界,将相似云规则合并为某一区间的云规则,达到提高算法效率的目的。模糊神经网络需要通过误差传播实现初值调整,初值的确定影响误差迭代的次数,提出将云模型的期望Ex、熵En代替传统的0和1,降低迭代次数,同时避免出现局部最优解。在构建云模糊神经网络模型的基础上,采用上述方法进行实验对比分析,通过UCI数据集与工程实例进行实验,与传统的云模型、模糊神经网络、BP神经网络进行对比,分析算法的运行效率、准确率及规则数量。通过实验对比分析,云模糊神经网络可以充分考虑到数据的随机性和模糊性,优化了云规则的产生,避免了多维规则灾难,保证了算法的运行效率;相对于传统技术算法的准确率有所提高,并适用于多种数据集。