RBF神经网络的粗糙集解释及粗糙集的多阶定义-文献详情-维普官网

文献检索

任意字段

文献信息

任意字段
主题词
篇关摘
篇名
关键词
摘要
作者
第一作者
作者单位
刊名
中图分类号
学科分类号
DOI
基金

智能检索

高级检索

检索历史

RBF神经网络的粗糙集解释及粗糙集的多阶定义认领

作者：

汪杰

学位授予单位：

浙江师范大学

摘要：

深度学习技术的不断发展,衍生出神经网络的广泛应用,如基于自然语言处理的Chat GPT对话模型。神经网络的可解释性成为热门研究课题。径向基神经网络(Radial Basis Function Neural Network,简称RBF神经网络)以结构简单、学习速度快、逼近效果好等优点,不断被运用于与人类息息相关的日常活动中,并逐渐成为神经网络不可或缺的一部分,对RBF神经网络的可解释性研究具有较大的现实意义。但是,当前RBF神经网络的可解释性研究存在诸如隐藏层神经元可解释性证明不足、模型的可解释性与性能不平衡等问题。粗糙集理论是一种刻画不完全性、不确定性问题的数学工具,无需任何先验知识,能够从客观角度剖析数据,具备很强的可解释性。不同于传统的粗糙集,模糊决策粗糙集可以直接运用于数值型数据,具有较好的性能,其内在高斯核模糊T-等价关系与RBF神经网络内核的关联性提供了实现可解释性的基础。当前多数的粗糙集模型在结合各种神经网络时难以实现可解释性,这需要从更广阔的意义上对粗糙集模型进行扩展,探索粗糙集在不同维度下的定义,从而更好地解释各种神经网络。针对上述问题,本文从粗糙集模型的视角出发探究RBF神经网络的可解释性,设计基于模糊决策粗糙集的RBF神经网络可解释性模型,提出RBF神经网络的规则提取算法和基于模糊决策粗糙集的RBF神经网络可解释性与优化算法,并细致探讨了当前粗糙集模型的信息损失问题与多阶定义。具体研究如下: 首先,定义可解释性因子,提出模糊决策粗糙集模型视角下对RBF神经网络可解释性研究的新方法。探索在粗糙集视角下RBF神经网络规则的可度量性,提出TEORBF算法获取神经网络知识集合,通过可解释性因子建立概念的高耦合,并提出FDRSIR解释性算法生成细粒度层级的解释,详细描述神经网络处理过程的决策行为。9组UCI数据集上的实验验证了该方法对神经元解释的有效性。其次,提出了基于模糊决策粗糙集的RBF神经网络优化算法FDRS-OLS-RBF。将可解释性因子作为启发式信息引入神经元的训练过程,利用细粒度的解释性指标修正神经元权值,实现一种新的优化方式,提高神经网络模型的性能。在9组数据集上的实验结果表明了该方法有效性。最后,提出了粗糙集模型信息损失的计算方法,继而提出了多阶粗糙集。为了将粗糙集模型更全面地扩展到神经网络可解释性研究,提出一种计算粗糙集模型信息损失的方法,根据信息损失不同将粗糙集模型分为3类:零阶粗糙集、一阶粗糙集和二阶粗糙集。给出了一阶粗糙集与二阶粗糙集及其属性约简的定义,探讨了各类属性约简之间的关系。研究结果为粗糙集实现更广泛的神经网络可解释性提供理论基础,也为粗糙集的研究提供新的视角。

摘要译文

关键词：

神经网络可解释性; 径向基神经网络; 模糊决策粗糙集; 信息损失; 多阶粗糙集

学位年度：

2023

学位类型：

硕士

学科专业：

计算机科学与技术

导师：

邓大勇

中图分类号：

TP18[人工智能理论]

学科分类号：

081205[人工智能];140501[智能基础理论];140502[人工智能];140503[智能系统与工程];140504[人工智能安全与治理];140506[人工智能应用]

D O I：

10.27464/d.cnki.gzsfu.2023.001026