论文摘要
人工神经网络与粗糙集都是通过对不确定性,模糊性以及不完全真值的处理找寻最优的解决方案,二者对于处理这些问题时,有各自独立的系统方法,而这些技术特点有着明显的互补性。所以将二者实行融合,能更好的解决相关问题。本文围绕粗糙集和人工神经网络相结合的优势展开了研究和讨论。基于二者结合的相关理论知识,将粗糙集的属性约简算法和经过动量因子规则改进的BP算法相结合,在此基础上设计并建立了虫害预测预报模型,采用相同的数据对经过属性约简与BP算法改进的模型和未经过属性约简与BP算法改进的模型进行比对,通过试验结果分析表明,基于改进后的模型在模型训练时间以及预测准确度上都有所提高。具体的工作如下:(1)对本文的研究背景、研究目的和意义进行了介绍,总结了近年来人工神经网络和粗糙集分别在预测模型方面的理论研究工作,在此基础上分析了粗糙集和神经网络结合的研究现状。(2)详细介绍了本文的背景知识包括人工神经网络的基本原理、相关概念、经典模型等,还介绍了粗糙集的相关理论,详细阐述了粗糙集中的约简算法以及其用于数据处理的研究情况。(3)分析了标准BP的缺点与不足,给出了改进BP算法的步骤流程在神经网络反复学习的过程中,在网络输出和实际输出相差较大时,网络全局误差下降的速度变慢,甚至不在下降,这是因为网络收敛到了局部极小点,为了避免这一情况,我们在最速下降法修正权值的时候,不仅考虑某时刻的梯度,同时考虑这一时刻之前一个时刻的梯度,这样就减小了学习过程中的震荡,从而抑制网络陷入局部极小区域,有效的避免了神经网络收敛到局部极小点问题。(4)设计了基于粗糙集与人工神经网络的虫害预测模型用粗糙集属性约简算法处理样本数据集,删除冗余属性,用所得样本作为神经网络的输入神经元,虫害爆发程度作为输出,运用经过动量因子改进的BP算法训练神经网络,最后得出基于粗糙集与神经网络相结合的虫害预测模型。(5)实现了虫害预测模型系统并通过实验验证改进模型用Matlab所提供的工具箱实现了BP训练学习过程、Matlab实验仿真过程,并与没有经过数据预处理和标准BP相结合的预测模型进行比较分析,结果表明改进后的模型比原模型在训练时间、学校速率以及预测准确率上都有很大提高。本文的研究是粗糙集与人工神经网络模型相结合的一种优化,在对处理不确定、模糊问题时,利用粗糙集对神经网络的输入进行预处理,不但降低了神经网络的复杂度,而且提高了神经网络的预测效率,同时采用了附加动量法和自适应参数调整法对传统BP算法改进,进一步提高了粗神经模型的应用能力,本文的研究可在人工智能、神经网络预测应用等方面都有一定的理论意义和应用价值。