粗糙集与亲和聚类优化径向基函数神经网络

本文主要探讨了一种基于粗糙集理论（Rough Sets, RS）和聚类算法——亲和性传播（Affinity Propagation, AP）优化径向基函数神经网络（Radial Basis Function Neural Network, RBFNN）的方法。研究者们意识到在实际应用中，RBFNN往往会受到噪声和冗余特征的影响，同时对网络结构中的输入层神经元数量和中心节点（即核函数的宽度）选择往往缺乏先验知识。因此，他们提出了一种创新的解决方案。 首先，作者利用粗糙集理论进行属性降维（Attribute Reduction, AR），作为RBFNN的预处理步骤。粗糙集是一种处理不确定性和模糊性的数据挖掘工具，通过分析数据的不精确性来确定哪些属性对于分类决策是关键的，从而消除噪声和冗余，提高模型的精度和效率。通过这种方法，可以在保持有效信息的同时减少输入层的复杂性，为后续的学习过程奠定坚实的基础。 其次，为了克服传统RBFNN中对聚类数量的依赖，研究人员引入了亲和性传播算法。AP算法是一种无监督学习方法，它能够自组织地发现数据的内在结构，不需要预先指定簇的数量。该算法通过计算每个数据点与其他点之间的相似度或“亲和力”，并选择具有最高“传递偏好”的数据点作为中心，以此动态确定合适的中心节点，同时自动调整每个节点的宽度（即核函数的半径）。这种方法使得优化过程更为灵活，适应性强，能够更好地适应数据的复杂分布。 结合粗糙集的属性选择与AP聚类策略，本文的优化方法旨在提升RBFNN在处理实际问题时的性能，尤其是在处理噪声数据和非结构化数据集时。通过这样的集成，作者期望得到一个既具备鲁棒性又能高效利用数据潜在结构的RBFNN模型，从而在各种机器学习任务中展现出优越的性能。这篇研究论文于2012年发表在《浙江大学学报（计算机与电子）》上，对提高RBFNN的优化策略和实用价值具有重要的理论和实践意义。