模糊粗糙集方法在样本归一化中的应用

2012年02月08日12:03:32 本网站我要评论(2)字号：T | T | T

关键字：应用

庞清乐
山东工商学院信息与电子工程学院，山东烟台

摘　　　要：提出了基于模糊粗糙集理论的样本归一化方法，用于解决因神经网络分类器在不同类样本间距离较近时训练速度较慢的问题。将神经网络的输入作为粗糙集信息系统的条件属性，神经网络的输出作为决策属性，构建决策表。利用粗糙集理论对训练样本离散化，根据离散化样本与两类不同样本间的距离差和两类样本的能量差，利用模糊集理论对该原始样本进行伸缩处理，然后，对伸缩预处理后的样本进行归一化，较后，用归一化处理后的样本对神经网络进行训练。以配电网故障选线为例，对该方法进行了分析和验证。仿真实验结果表明，经模糊粗糙集理论样本归一化处理后的神经网络训练时间明显缩短。因此，该方法正确、有效。
关　键　词：归一化；粗糙集理论；模糊集理论；神经网络；故障选线

引　言
基于ＢＰ算法的前馈神经网络广泛应用于模式分类中［１］。但是，在应用中存在很多问题，其中，一个较重要的问题就是ＢＰ算法的训练时间长，而且，当不同类样本间距离较近时训练时间会更长。为了克服这一缺点，许多学者做了大量的工作，并
提出了多种改进该算法［２４］。粗糙集理论［５］是一种处理模糊和不确定问题的新工具，它已成功地应用到很多领域。将粗糙集理论应用于神经网络，主要用于知识发现、数据预处理和基于知识的神经网络建模［６９］。模糊集理论也是处理不确定性和不精确性问题的工具，将粗糙集和模糊集理论融合一直是人们感兴趣的话题［１０１１］。本文提出了基于模糊粗糙集理论的神经网络样本归一化方法，用于缩短神经网络的训练时间，并将该算法成功地应用到基于神经网络的配电网故障选线中［１２］。

登录网站后可下载文件

模糊粗糙集方法在样本归一化中的应用

相关阅读: