基于神经网络的模糊知识自动化获取方法与应用

本文主要探讨了一种创新的基于神经网络的模糊知识自动获取方法，发表在1998年9月的《沈阳工业学院学报》上。研究者孙杰、曹莉莉等人针对模糊知识的自动化获取问题提出了他们的解决方案。传统的方法依赖于人工总结专家经验，这种方式耗时且精确度不高。神经网络因其强大的自适应学习能力，为模糊知识的自动化获取提供了新的可能性，特别是在大规模数据集处理方面。 本文的核心贡献在于设计了一种神经网络模型，结合了竞争神经网络的监督学习与无监督学习。具体来说，他们利用竞争神经网络的特性来确定样本的概率聚类中心，并通过模糊集理论从训练后的神经网络中提取出精确度较高的模糊规则。研究对象是具有多维度特征的模糊样本集，每个样本由前提特征（取值范围广泛）和结论（分类）组成，同时还包括一个可信度值。作者的目标是通过这种方法从分类数据样本集中自动获得用模糊语言值描述的规则知识。 文章的重点在于介绍网络模型的构建细节、学习算法的实现步骤以及如何通过实验验证这种方法的有效性和实用性。相比于当前主要关注神经网络的结构描述知识获取，论文对样本集的定性描述知识获取的处理更为独特，这在当时是一个相对较少被探索但具有重要实际应用价值的领域。 这篇论文为模糊知识的自动获取提供了一种新颖且高效的手段，通过神经网络技术的巧妙运用，简化了模糊规则的获取过程，有望在模糊智能系统的开发和人类问题理解中发挥重要作用。