神经网络的优化算法的一些方法

摘要：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。