第 27 卷 第 9 期
Vol. 27 No. 9
控 制 与 决 策
Control and Decision
2012 年 9 月
Sep. 2012
基于 FCM 与神经网络的案例推理方法
文章编号: 1001-0920 (2012) 09-1421-04
韩 敏, 沈力华
(大连理工大学 电子信息与电气工程学部,辽宁 大连 116023)
摘 要: 目前有关案例推理 (CBR) 的研究主要集中在案例检索方面, 对案例库构造方法的研究则较为少见, 而好的
案例库, 既可以提高案例检索效率, 又可以保证较好的检索准确率. 鉴于此, 针对 CBR 中的案例库进行研究, 引入模
糊 𝐶 均值方法去除原案例库中的冗余案例, 从而实现对神经网络-案例推理方法的改进. 最后通过对 UCI 数据进行的
仿真实验表明了改进后的案例推理方法无论在案例检索精度还是在案例检索速度上均有所提高.
关键词: 案例库;模糊 𝐶 均值;神经网络;案例推理
中图分类号: TP18 文献标志码: A
Case-based reasoning based on FCM and neural network
HAN Min, SHEN Li-hua
(Faculty of Electronic Information and Electrical Engineering,Dalian University of Technology,Dalian 116023,
China.Correspondent:HAN Min,E-mail:minhan@dlut.edu.cn)
Abstract: Recently, most researches about case-based reasoning are focused on case retrieval, while little attention is paid
for the method of construting a proper case base. Better case base can improve both the efficiency and accuracy of case
retrieval. Therefore, the case base is constructed in this paper. By removing redundant cases by using FCM(fuzzy 𝐶-means),
neural network-CBR(NN-CBR) is improved. The simulation results conducted with UCI data show the improvement of the
proposed method in both accuracy and efficiency.
Key words: case base ;fuzzy 𝐶-means algorithm;neural network;case-based reasoning
1 引引引 言言言
案例推理 (CBR) 方法是指将需要解决的案例与
历史案例相对比, 找到与当前案例最相似的案例, 从
而利用相似的历史案例的解决方案来解决当前案
例
[1]
. 案例推理涉及到以下问题: 首先将先前的问题
及其解决方案存入案例库; 然后通过在案例库中找到
已有的知识来解决当前问题. 目前, 有关案例推理的
研究主要集中在第 2 部分, 即案例检索过程的研究
[2]
.
在此过程中, 属性权重尤为重要, 许多研究都通过利
用合理的方法确定属性权重来提高案例检索的精度.
文献 [3] 利用粗糙集确定属性权重, [4-5] 利用遗传算
法确定属性权重, [6-7] 利用神经网络确定属性权重.
然而, 上述方法仅在属性权重方面进行了改进, 好的
案例库不但可以提高案例检索速度, 而且可以保证较
好的检索精度, 同时可以节省一定的案例存储空间.
本文针对上述问题进行研究, 利用模糊 𝐶 均值
(FCM) 方法去除案例库中的冗余案例, 从而使神经网
络在训练网络权值和案例检索时能够节省一定的时
间. 案例库的存储也可以节省一定的空间, 同时能够
保证较好的案例检索精度, 从而实现对已有神经网
络-案例推理 (NN-CBR) 方法的改进.
2 神神神经经经网网网络络络确确确定定定属属属性性性权权权重重重的的的两两两种种种方方方法法法
相对于遗传算法与粗糙集方法确定属性权重, 神
经网络确定属性权重不需要进行编码解码和属性离
散化, 而且确定属性权重的方法也较多
[8]
, 目前较为
方便有效的方法是根据网络权值确定属性权值
[7]
.
1) 活跃性. 节点的活跃性通过计算其在训练数据
中的活跃水平方差得到, 第 𝑗 个隐层节点的活跃性为
𝐴
𝑗
= (𝑤
(2)
𝑗
)
2
var
(
𝑔
(
𝑑
∑
𝑖=0
𝑤
(1)
𝑗𝑖
𝑥
𝑖
))
. (1)
其中: 𝑤
𝑗
为隐层到输出层的链接权值, var( ) 为方差函
数, 𝑔( ) 为激活函数, 𝑤
𝑖𝑗
为输入层到隐层节点的连接
权值, 𝑥
𝑖
为案例 𝑥 的第 𝑖 个属性. 第 𝑖 个输入节点的活
收稿日期: 2010-12-16;修回日期: 2011-03-14.
基金项目: 国家自然科学基金项目(61074096);国家 863 计划项目(2007AA04Z158).
作者简介: 韩敏(1959−), 女, 教授, 博士生导师, 从事复杂工业系统建模与控制、智能技术及优化算法等研究;沈力
华(1984−), 女, 硕士生, 从事案例推理相关算法的研究.