论文部分内容阅读
分层混合模糊-神经网络（HHFNN）能较好地处理离散和连续变量并存的高维数据，为了提高其解释能力和在数据挖掘应用中的说服力。本文针对输入中离散和连续数据并存的特点，提出一种基于输入扰动的分层混合模糊-神经网络敏感性分析方法，首先优化HHFNN模型，然后依次给测试数据集的各个输入变量添加高斯白噪声，计算模型加入噪声前后的均方误差（MSE）。MSE差值越大说明相应的输入对模型输出影响越大，其重要性程度越高。为了验证本文提出方法的有效性，选用人工模拟数据集和UCI—Pyrimidines数据集进行实验，结果表明