基于Rough集和ANN的专家系统知识获取研究

论文摘要

专家系统作为人工智能重要的应用之一,在近几十年的发展中理论和技术逐渐成熟,在许多领域中取得了广泛和成功的应用。专家知识的获取是开发专家系统的重要环节,但由于传统的专家知识获取方法效率低下,一直是专家系统开发的“瓶颈”问题。Rough集(粗糙集)和ANN(人工神经网络)由于各自在知识获取中的优势及良好的互补特性,因此二者相结合的知识自动获取研究为解决专家系统的瓶颈问题提供了很好的思路。二者结合的主要思路是把粗糙集理论作为神经网络的前端处理器,应用粗糙集理论的知识约简功能,去除原始数据中的冗余属性,把约简之后的数据作为神经网络的输入,以此降低神经网络输入的维数,缩小网络规模并提高输入数据的质量,使得训练后的网络具有较好的泛化能力和预测精度。按照这个思路,本文对基于Rough集和ANN的专家系统知识获取问题进行了研究。本文首先介绍了专家系统及其知识获取的基本理论与方法,并分析了其传统知识获取方法的不足;然后,本文对粗糙集和神经网络的基本理论进行了简要介绍,并对它们在知识获取方面的优势及互补特性进行了分析:最后针对二者的互补特性,研究了将二者相结合进行知识获取的具体方法,包括决策表数据的编码问题、神经网络输出结果评价问题、多种粗糙集属性约简结果的神经网络处理及其输出结果的综合评价等问题,提出了相应的解决方法,针对本文的方法设计并实现了一个BP神经网络,通过实验验证了所提出方法的有效性。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 论文研究背景及意义
• 1.2 国内外研究现状
• 1.3 论文主要研究内容
• 1.4 论文研究总体思路
• 1.5 论文创新点
• 1.6 论文结构
• 2 专家系统及知识获取的Rough集和ANN方法
• 2.1 专家系统及其知识获取
• 2.1.1 专家系统概述
• 2.1.2 专家系统的知识表示
• 2.1.3 专家系统知识获取的传统方法及其不足
• 2.1.4 专家系统的自动知识获取
• 2.2 知识获取的Rough集方法
• 2.2.1 Rough集概述
• 2.2.2 Rough集理论
• 2.2.3 Rough集知识约简
• 2.3 知识获取的神经网络方法和BP神经网络
• 2.3.1 神经网络简介
• 2.3.2 BP神经网络
• 2.3.3 神经网络的优势
• 3 Rough集和ANN相结合的知识获取
• 3.1 粗糙集和神经网络的互补特性分析
• 3.2 粗糙集理论和神经网络的结合方法
• 3.2.1 基本思想
• 3.2.2 处理流程
• 3.3 知识获取的粗糙集处理阶段
• 3.3.1 问题描述
• 3.3.2 应用特点
• 3.4 知识获取的神经网络处理阶段
• 3.4.1 网络模型的选取
• 3.4.2 网络相关参数的选取
• 3.4.3 输入输出数据的编码
• 3.4.4 输出结果的评价
• 3.5 多种约简结果的处理方法
• 3.6 本章小结
• 4 实验及结果分析
• 4.1 实验数据选取
• 4.2 数据预处理及约简
• 4.2.1 数据集导入及分割
• 4.2.2 连续属性离散化及属性约简
• 4.3 神经网络实现及其训练
• 4.3.1 BP神经网络的设计与实现
• 4.3.2 输入数据准备
• 4.3.3 神经网络训练及测试
• 4.4 实验结果分析
• 5 结论
• 参考文献
• 附录 （部分代码）
• 在学期间的研究成果