摘要简介:数据的上界和下界概念在人工智能领域中使用得非常普
遍,在粗糙集理论中尤为明显,随着粗集理论的不断发展,
上下边界的概念得到更大范围内的应用。本文将经典的神经
网络和粗集理论有机地结合,提出了一种基于粗集理论的神
经网络,并应用神经网络的粗糙模式建立预测模型。在粗糙
模式下每个神经网络的输入值不是一个单值而是一对值,即
上下边界数据,经典的神经网络在预测模型中采用的是单值
数据作为输入值,但是在一些应用中会产生问题,如医院要
对病人进行病情的跟踪观察,并希望对其未来的情况进行预
测,这时经典的神经网络就难以适用了,对于一个病人来
说,心跳次数,脉搏次数,血压值,体温等项指标在一天当
中需要进行几次测试,问题在于对于同一项指标每次测量值
也是不同的,因此得到的是一组数据而非单个数据,由于经
典的神经网络对于外界的信息的传导需要的是单值输入,究
竟应该取测量值中的哪个值作为输入就难以确定,通常的方
法是将测量数据进行数学平均,以均值作为网络的输入,但
是这可能导致具有重要性质数据的泛化,而粗糙集理论则可
以很好地解决这个问题,粗糙集数据的上下边界可以将病人
一天的各项指标测量值的上界和下界数据作为粗糙神经元的
输入。