论文部分内容阅读
将神经网络中隐含的不易理解的知识转化为IF-THEN形式的易于理解的规则知识对增强神经网络的理解和知识获取具有重要意义。本文针对条件属性为连续型数据的分类问题,提出了一种从神经网络中抽取加权模糊产生式规则的新方法。围绕将神经网络中隐含的知识转化为加权模糊产生式规则,从三个方面进行了分析:(1)神经网络的建立和训练;(2)通过对连接权重的分析,构造重要性指标矩阵,进而产生加权模糊产生式规则;(3)构造与产生的加权模糊产生式规则相适应的模糊推理。在此基础上,提出了从神经网络中抽取加权模糊产生式规则的方法和步骤。本方法的特点是:(1)将加权模糊产生式规则的产生与神经网络的建立、训练和模糊推理方法综合起来考虑;(2)加权模糊产生式规则的产生是在对神经网络连接权重分析基础上得到的。通过试验表明应用此方法得到的加权模糊产生式规则及模糊推理方法较准确的表达出了隐含于神经网络中的知识。