29264.一般模糊極小極大神經(jīng)網(wǎng)絡(luò)的改進(jìn)及應(yīng)用研究

1、ResearchonImprovedGeneralFuzzyMin—MaxNeuralNetworkandIt’SApplicationAThesisSubmittedtoNingxiaUniversityInpartialfulfillmentoftherequirementforthedegreeofMasterofScienceinAppliedMathematicsbyGaoZhiwenSupervisor：AssociateP

2、rofessorLiFengjunMarch，2014摘要近幾年，模糊理論和神經(jīng)網(wǎng)絡(luò)技術(shù)是人工智能研究領(lǐng)域中的兩個(gè)熱點(diǎn)將二者有機(jī)的結(jié)合起來，形成了模糊神經(jīng)網(wǎng)絡(luò)(FuzzyNeuralNetwork簡稱“FNN”)FNN就是具有模糊權(quán)系數(shù)或者輸入信號是模糊量的神經(jīng)網(wǎng)絡(luò)FNN吸取了人工神經(jīng)網(wǎng)絡(luò)和模糊理論的優(yōu)點(diǎn)，它在處理非線性、模糊輸入等難題上有很大的優(yōu)勢，并且在處理智能信息上具有很大的潛力在FNN基礎(chǔ)上又發(fā)展了一般模糊極小極大神經(jīng)網(wǎng)絡(luò)(Ge

3、neralFuzzyMin—MaxNeuralNetwork，簡稱“GFMN”)，此網(wǎng)絡(luò)是～種具有鮮明特征的網(wǎng)絡(luò)，它是FNN分類和聚類的融合本文主要由兩部分組成：第～部分是對GFMN的概述；第_二部分是對GFMN的改進(jìn)，并將其應(yīng)用于企業(yè)資信評估中GFMN的主要優(yōu)點(diǎn)是利用超盒可以同時(shí)處理標(biāo)記數(shù)據(jù)和未標(biāo)記數(shù)據(jù)，學(xué)習(xí)部分標(biāo)識(shí)的數(shù)據(jù)在模式識(shí)別系統(tǒng)中是非常重要的一環(huán)，當(dāng)然怎么有效的識(shí)別未標(biāo)識(shí)數(shù)據(jù)也是必不可少的但是該網(wǎng)絡(luò)也存在一些缺陷，不能夠完全聚

4、類和自適應(yīng)在線學(xué)習(xí)，其訓(xùn)練樣本仍然需要部分標(biāo)識(shí)出來；當(dāng)遇到新的類時(shí)，則只能將其全部歸為未知的類，進(jìn)而無法達(dá)到聚類的預(yù)期效果本文提出改進(jìn)后的GFMN正好填補(bǔ)了這一不足。在學(xué)習(xí)實(shí)驗(yàn)樣本過程中，網(wǎng)絡(luò)試圖包含這個(gè)實(shí)驗(yàn)樣本于已存在的同一類的超盒中，超盒的大小將會(huì)改變，那么這個(gè)過程被稱為超盒擴(kuò)張若超盒擴(kuò)張不存在，則網(wǎng)絡(luò)加入一個(gè)新的超盒，并且屬于同一類的超盒的聚合形成一個(gè)完整的類通過修改其結(jié)構(gòu)和學(xué)習(xí)算法，實(shí)現(xiàn)了加入新類或刪除一個(gè)已存在類功能的GFMN