神经网络规则优化建模与应用

计算机工程与科学

神经网络规则优化建模与应用

陈丽芳,冯力静,刘保相

（华北理工大学理学院,河北唐山 063210）

收稿日期:2019-04-18 修回日期:2019-04-18 出版日期:2019-12-25 发布日期:2019-12-25
基金资助:
国家自然科学基金（61370168）;河北省自然科学基金（F2014209086）

Neural network rule optimization modeling and its application

CHEN Li-fang,FENG Li-jing,LIU Bao-xiang

（College of Science,North China University of Science and Technology,Tangshan 063210,China）

Received:2019-04-18 Revised:2019-04-18 Online:2019-12-25 Published:2019-12-25

摘要/Abstract

摘要：

神经网络应用于复杂系统时存在隐含层节点确定和参数随机选择的困难，对此研究探索了一种规则优化建模方法。首先，应用粗决策树耦合算法实现增量式的动态规则提取；其次，基于获取的动态规则计算最简规则数，作为确定网络隐含层节点的依据，实现网络规则建模；再次，优化网络初始参数，规避局部极小问题并提高模型训练速度和精度；最后，将优化模型应用于空气质量预报中，性能测试和对比分析结果显示，该模型收敛速度快且误差控制在4%以内，学习速度和预报精度明显优于传统模型。该研究成果实现了动态增量模式下的规则模型构建与优化，为动态数据处理提供了一种新的研究思路。

关键词: 粗集, 决策树, 粒子群优化算法, BP神经网络, 动态规则

Abstract:

It is difficult to determine hidden layer nodes and select parameters randomly when neural network is applied to complex systems. To solve this problem, a new rule modeling method is explored. Firstly, the incremental dynamic rule extraction is realized by the rough set & decision tree coupling algorithm. Secondly, the obtained dynamic rules are used to calculate the minimum rule number, which can be used as the basis to determine the hidden layer nodes and realize network rule modeling. Thirdly, the initial network parameters are optimized to avoid local minimum and improve the training speed and precision of the model. Finally, the optimization model is applied to the air quality forecast. Performance test and comparative analysis show that the model has a fast convergence speed and controls the error within 4%, and its learning speed and prediction accuracy are obviously better than the traditional model. The research results realize the rule model construction and optimization under dynamic incremental mode and provide a new research idea for dynamic data processing.

Key words: rough set, decision tree, particle swarm optimization algorithm, BP neural network, dynamic rule

陈丽芳,冯力静,刘保相. 神经网络规则优化建模与应用[J]. 计算机工程与科学.

CHEN Li-fang,FENG Li-jing,LIU Bao-xiang. Neural network rule optimization modeling and its application[J]. Computer Engineering & Science.

[1]	许文俊, 王锡淮. 基于变尺度黑洞和种群迁徙的粒子群优化算法[J]. 计算机工程与科学, 2023, 45(11): 2036-2046.
[2]	张文宁, 周清雷, 焦重阳, 梅亮. 融入重心反向学习和单纯形搜索的粒子群优化算法[J]. 计算机工程与科学, 2023, 45(09): 1629-1638.
[3]	郭艺, 何廷年, 李爱斌, 毛君宇. 融合GA-CART和Deep-IRT的知识追踪模型[J]. 计算机工程与科学, 2023, 45(09): 1691-1700.
[4]	王林, 王燕丽, 安泽远. 改进粒子群算法优化回声状态网络的电力需求预测研究[J]. 计算机工程与科学, 2022, 44(08): 1457-1466.
[5]	崔弘, 赵双, 张广胜, 苏金树. 基于机器学习的移动代理应用流量识别方法[J]. 计算机工程与科学, 2022, 44(04): 654-664.
[6]	贾俊杰, 段超强. 基于评分离散度的托攻击检测算法[J]. 计算机工程与科学, 2022, 44(03): 554-562.
[7]	张晶, 魏淼, . 基于Delaunay三角划分策略的WSN区域覆盖优化研究[J]. 计算机工程与科学, 2021, 43(11): 1944-1951.
[8]	胡新荣, 刘嘉文, 刘军平, 彭涛, 何儒汉, . 基于改进GA-BP-MC神经网络的人体三维尺寸预测[J]. 计算机工程与科学, 2021, 43(08): 1443-1453.
[9]	邓翔宇, 张屹南, 杨雅涵. 一种用于交通标识分类的形状识别算法[J]. 计算机工程与科学, 2021, 43(02): 322-328.
[10]	沈晓燕, 王雪梅, 王燕. 基于样本熵和模式识别的脑电信号识别算法研究[J]. 计算机工程与科学, 2020, 42(08): 1482-1488.
[11]	王鑫, 陈建凯, 翟俊海, . 区间值属性单调决策树算法的扩展[J]. 计算机工程与科学, 2020, 42(03): 557-563.
[12]	赵凤1,2，孔令润1,2，马改妮1,2. 多目标粒子群和人工蜂群混合优化的阈值图像分割算法[J]. 计算机工程与科学, 2020, 42(02): 281-290.
[13]	吴曼曼1，徐建新 1，2. 基于EMD改进的Elman神经网络对股票的短期预测模型[J]. 计算机工程与科学, 2019, 41(06): 1119-1127.
[14]	赵志刚，莫海淼，温泰，李智梅，郭杨. 一种自适应调整种群子代数量与步长的优化算法——爆米花算法[J]. 计算机工程与科学, 2019, 41(05): 900-909.
[15]	张毅，张珉浩. 基于机器学习的能力评价与匹配研究[J]. 计算机工程与科学, 2019, 41(02): 363-369.