可解釋的和能理解的神經網絡樹設計方法研究.pdf

1、機器學習方法主要有兩種:符號學習方法和非符號學習方法.決策樹是一種典型的符號學習模型,神經網絡是一種最常見的非符號學習模型.一般來說,符號學習方法適合于提取能理解的規(guī)則但不能在線增量學習,非符號學習方法適合于在線增量學習,但是不能提取能理解的規(guī)則.神經網絡樹是一種神經網絡和決策樹的混合學習模型,總體的結構是決策樹模型,每一個非終端節(jié)點是一個專家神經網絡,神經網絡樹有決策樹和神經網絡兩者的優(yōu)點.為了增強神經網絡樹的實用性,應當提出用于增量

2、學習的有效算法,設計盡可能小的神經網絡,提出在線解釋的方法.這篇論文的目的是基于多目標優(yōu)化和多模板匹配算法設計可解釋的,能理解的或自我解釋的神經網絡樹.該文的主要貢獻是:第一章回顧了已有的神經網絡與決策樹的混合模型設計方法.第二章研究人工神經網絡拓撲結構與學習算法、決策樹的定義與學習算法以及基于遺傳算法的優(yōu)化方法等,并以此為基礎研究了神經網絡樹的定義及其演化設計方法.第三章在研究有限輸入神經網絡樹的基礎上,提出了基于遺傳算法的多目標優(yōu)化

3、方法設計更容易解釋和理解的神經網絡樹.該方法通過同時對非終端節(jié)點的分類能力(通過計算信息增益率)、神經網絡樹非終端節(jié)點的隱層神經元數(shù)目和神經網絡樹每個非終端節(jié)點的輸入特征數(shù)目等多個目標進行優(yōu)化,在提高非終端節(jié)點分類能力的前提下,盡量減少神經網絡樹非終端節(jié)點的隱層神經元數(shù)目和神經網絡樹每個非終端節(jié)點的輸入特征數(shù)目,來獲得更容易解釋和理解的神經網絡樹.論文利用UCI機器學習數(shù)據(jù)庫中的4個數(shù)據(jù)庫驗證了算法的有效性.第四章通過采用多模板匹配方法