29264.一般模糊極小極大神經(jīng)網(wǎng)絡的改進及應用研究

1、ResearchonImprovedGeneralFuzzyMin—MaxNeuralNetworkandIt’SApplicationAThesisSubmittedtoNingxiaUniversityInpartialfulfillmentoftherequirementforthedegreeofMasterofScienceinAppliedMathematicsbyGaoZhiwenSupervisor：AssociateP

2、rofessorLiFengjunMarch，2014摘要近幾年，模糊理論和神經(jīng)網(wǎng)絡技術(shù)是人工智能研究領(lǐng)域中的兩個熱點將二者有機的結(jié)合起來，形成了模糊神經(jīng)網(wǎng)絡(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FNN吸取了人工神經(jīng)網(wǎng)絡和模糊理論的優(yōu)點，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(Ge

3、neralFuzzyMin—MaxNeuralNetwork，簡稱“GFMN”)，此網(wǎng)絡是～種具有鮮明特征的網(wǎng)絡，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，并將其應用于企業(yè)資信評估中GFMN的主要優(yōu)點是利用超盒可以同時處理標記數(shù)據(jù)和未標記數(shù)據(jù)，學習部分標識的數(shù)據(jù)在模式識別系統(tǒng)中是非常重要的一環(huán)，當然怎么有效的識別未標識數(shù)據(jù)也是必不可少的但是該網(wǎng)絡也存在一些缺陷，不能夠完全聚

4、類和自適應在線學習，其訓練樣本仍然需要部分標識出來；當遇到新的類時，則只能將其全部歸為未知的類，進而無法達到聚類的預期效果本文提出改進后的GFMN正好填補了這一不足。在學習實驗樣本過程中，網(wǎng)絡試圖包含這個實驗樣本于已存在的同一類的超盒中，超盒的大小將會改變，那么這個過程被稱為超盒擴張若超盒擴張不存在，則網(wǎng)絡加入一個新的超盒，并且屬于同一類的超盒的聚合形成一個完整的類通過修改其結(jié)構(gòu)和學習算法，實現(xiàn)了加入新類或刪除一個已存在類功能的GFMN