摘要

神经模糊系统的系统建模涉及两个相互矛盾的要求:可解释性和准确性。基于伪外积的模糊神经网络(POPFNN)中的伪外积(POP)规则识别算法,由于高维数据的存在,识别的模糊规则数量呈指数级增长,计算复杂度也随之增加。这降低了POPFNN在语言模糊建模中的可解释性。本文提出了一种新的基于粗糙集的伪外积(RSPOP)算法,将粗糙集理论中的知识约简概念与POP算法相结合。该算法不仅通过属性约简进行特征选择,而且将约简扩展到无冗余属性的规则。在给定规则集中存在多个可能的约简的情况下,为POPFNN设计了一个客观的度量,以正确识别提高推理结果的约简。实验结果使用已发表的数据集和涉及公路交通流预测的实际应用来评估使用该算法识别POPFNN中模糊规则的有效性。结果表明,基于粗糙集的伪外积算法降低了计算复杂度,通过识别较少的模糊规则提高了神经模糊系统的可解释性,提高了POPFNN的精度。

此内容仅以PDF格式提供。