基于模糊-粗糙集理论的神经网络模式识别方法

作者:夏兴华;李界家;韩中华;王长涛 刊名:沈阳建筑大学学报(自然科学版) 上传者:姜丽娜

【摘要】目的通过对数据进行约简提高模式识别中数据的有效性,以提高胶合板缺陷检测的准确率和在线的实时性.方法利用粗糙集理论在数据约简上的优势,提取出对模式识别决策结果影响最大的属性,约简掉对决策结果影响较小的属性.利用模糊逻辑在不确定性问题的能力,提高边缘属性在模式识别中的权重值.利用神经网络在模式识别中的有效性,将粗糙集算法、模糊逻辑、神经网络的人工智能算法有效相结合,提出一种基于模糊粗糙集神经网络的模式识别分类方法.结果结合胶合板缺陷检测,针对胶合板的13类缺陷的17个属性,提取出最有效的数据,约简了对决策影响最小的4个属性.结论基于模糊-粗糙集理论的神经网络模式识别算法提高了数据的有效性,增强了缺陷检测的准确度,提升了在线检测的实时性,取得了良好的研究结果.

全文阅读

模糊集和粗糙集理论在处理不确定性和不精确性问题方面都推广了经典集合论,它们都可以用来描述知识的不精确性和不完全性[1-2].然而,它们的侧重点却不同.从知识的“粒度”上来看,模糊集主要着眼于知识的模糊性,而粗糙集着眼于知识的粗糙性;从知识的描述方法上来看,模糊集是通过对象关于集合的隶属程度来近似描述的,而粗糙集则是通过一个集合关于某个已知的可利用的信息库(近似空间)的一对上、下近似来描述的;从集合的对象间的关系来看,模糊集强调的是集合边界的病态定义,即边界的不分明性,而粗糙集强调的是集合对象间的不可分辨关系;从研究的对象来看,模糊集研究的是属于同一类的不同对象之间的隶属关系,重点在于隶属程度,而粗糙集研究的是不同类中的对象组成的集合之间的关系,重点在于分类[3-6].由于模糊集和粗糙集都有可以用来描述知识的不确定性,各自的特点不同,因此模糊集理论和粗糙集理论有很强的互补性[7],如果将这两个理论进行某些整合后,来处理知识的不确定性和不完全性,有可能比它们各自去处理知识的不确定性和不完全性具有更强的功能[8-10].笔者对这两种算法进行了深入研究,提出了基于模糊-粗糙集理论的神经网络模式识别算法,并以胶合板缺陷检测为应用对象,通过对胶合板缺陷属性的隶属度和依赖度的分析,提取出对识别决策影响大的属性,约简掉不重要的冗余属性,提高识别的准确度和在线的实时性.1模糊粗糙集算法的提出1.1模糊集和粗糙集的结合在粗糙集理论中,知识是通过指定对象的基本特征和它的特征值来描述,知识系统S定义为S=(U,C,D,V,f,g),(1)式中:U为对象集合;CD=A为属性集合,子集C和D分别称为条件属性和决策属性;V=aAVa为属性值集合,f指定了U中的每个对象x的属性值,而g则为由条件属性到决策属性集合的映射:g:CD.(2)实际上,这种知识的表达系统就是一种“if…then”决策表,该表的列表是属性,行表示论域中的对象,进而,粗糙集决策表可以方便地利用“if…then”规则加以描述.利用决策表可以实现知识的简化,使人获得知识.但是,粗糙集知识表达系统的一种自身无法避免的缺陷就是缺乏学习能力,对新增知识难以处理,自适应性较差.[7,11]这样,粗糙集决策表和模糊神经网络本质上都蕴含着“if…then”规则,只是用不同的方法加以描述,正是基于二者之间的这种本质联系,笔者利用粗糙集算法对输入胶合板缺陷数据进行约简,以降低模式分类系统的复杂程度.然后,再利用模糊神经网络的逼近和分类能力来实现数据样本的分类能力,这样,将模糊神经网络与粗糙集的功能有机结合,充分发挥其各自的优点.1.2模糊粗糙集算法在模糊粗糙集中,如果将模糊集合中的隶属度看作是粗糙集理论中的属性值,知识表达的模糊性依赖于由对象的可用属性值来描述,数据库中病态描述的对象可以用属性值集合的可能性分布来表达,这些可能性分布就构成了模糊集合模型.设X为一个集合,R为X中的等价关系,F是X中的一个模糊集合,通过等价关系R表达的模糊集合F的上近似R-(F)和下近似R-(F)都是X|R的模糊集合,其隶属函数分别定义为A-R(x)=infmax{A(y)|y[x]R,xU},(3)A-R(x)=supmin{A(y)|y[x]R,xU},(4)式中:infmax[A]为模糊集合A的最大下确界;supmin[A]为模糊集合A的最小上确界;[x]R为元素x在等价关系R下的等价类,若A-R=A-R,则称A为可定义的.否则,称A是模糊粗糙集.称为A关于(U,R)的正域;称-A-R为A关于(U,R)的负域;称A-R(-A-R)为A的边界

参考文献

引证文献

问答

我要提问