论文部分内容阅读
传统的粗逻辑神经网络可以对信息系统及粗推理决策进行研究，能够深入地揭示粗糙集理论实质，但对于处理非单值输入问题不能取得良好的效果。粗糙神经元的上边界和下边界恰好能解决这一方面的问题，且随着粗集理论的不断发展，上下边界的概念得到了广泛的应用。综合两个方面的优点，提出了一种粗逻辑神经网络的构造与学习方法。它主要由传统粗逻辑神经网络和粗糙神经元的思想（模式中每一个特征变量都包含上界和下界两个边界）构成：边界粗逻辑神经网络。首先给出了粗糙神经元和粗逻辑及决策的基本知识，然后提出了边界粗逻辑神经网络的结构和学习方法