从神经网络中抽取土地评价模糊规则

为了明确土地评价中所训练神经网络的含义,使土地评价工作者可轻松地理解、判断所得到土地评价模型的正确性和合理性,提出从神经网络中抽取土地评价模糊规则的方法。现有的大多数从神经网络中提取方法,神经网络的输入属性要么局限于连续的,要么只适应于离散的,而土地评价因子往往既包含连续的又包含离散的、标称的,该文首先提出了一种输入属性值适应于这三种类型数据的模糊神经网络建立方法,进而给出一种从建立的神经网络中抽取其中较主要模糊规则的算法。试验表明,所提出的土地评价方法,可直接从样本中学习评价规律,使土地评价工作者易于理解,当出现抽取的规则与实际情况不吻合时,可重新训练神经网络和抽取规则,所得到的评价结果比BP网络的评价结果更准确,从而提高了土地评价的准确性。

基于模拟退火的模糊分类系统在数据挖掘中的应用

给出了一种基于模拟退火的模糊分类系统—SAFCS,该分类系统结合了SA元启发式搜索策略的学习能力和模糊系统的近似推理方法,旨在改善与分类问题有关的大型数据空间的搜索性能,找到模糊if-then规则的优化集.SAFCS可以从输入数据集中抽取精确的模糊分类规则,并在若干不同预定义类中将其应用于对新数据实例的分类.文末用某数据集检测了SAFCS的性能,结果表明,在与其他几个著名算法比较时该分类系统性能可靠.

基于SA的模糊分类系统在数据挖掘中的应用

为了找到模糊分类规则的优化集,以改善与数据挖掘中分类问题有关的数据探索与开拓的性能,提出了在分类问题中利用模拟退火(SA)技术。对构建模糊分类器的SA元启发搜索机制进行了研究,该搜索机制能够从输入数据集中抽取精确的模糊if-then规则。在UCI数据集上用计算机进行了模拟,实验结果表明了基于模拟退火的模糊分类系统对于分类输入向量的鲁棒性。

基于模拟退火的模糊分类系统应用研究

本文论述了使用模拟退火(SA)元启发式搜索策略构造模糊分类系统的过程,研制出1种精确的模糊分类器,改善了分类问题中搜索空间的数据发掘性能,找到了模糊if-then规则的优化集并能从输入数据集中抽取精确的模糊分类规则。

元启发式搜索策略在构造模糊分类系统中的应用

论述了使用模拟退火元启发式搜索策略构造模糊分类系统的过程,目的是利用模拟退火原理研制一种精确的模糊分类器,改善与分类问题有关的搜索空间探索与发掘的性能,找到模糊if-then规则的优化集。算法可以从输入数据集中抽取精确的模糊分类规则,并在若干不同预定义类中将其应用于对新数据实例的分类。

基于GD-FNN的金融股指预测模型

针对股票市场内部结构复杂性和外部因素多变性,构建一种基于椭圆基函数且能够动态调整网络结构的广义动态模糊神经网络模型对金融股指进行预测。以上证指数为例,在价格和成交量的基础上,将与股票市场密切相关的宏观经济指标引入模型预测指标体系。通过滑动时间窗对数据集进行处理,提高了模型预测准确性并降低了运算时间。与其他神经网络模型预测效果进行比较,结果表明提出的模型具有较好的预测效果。