人工神经网络的规则提取
摘要：从人工神经网络中提取规则的有效算法 人工神经网络已成功应用于各种涉及分类和回归的商业应用问题。虽然反向传播神经网络通常在模式分类问题上比决策树有更好的预测效果，但它们通常被看作是黑盒子，即它们的预测不像决策树那样可解释。在许多应用中，从训练后的神经网络中提取知识是可取的，以便用户能更好地理解解决方案。本文提出了一种从人工神经网络中提取规则的高效算法。我们使用两阶段的反向传播学习算法。在第一阶段，根据网络在训练数据上的性能逐个添加节点来自动确定网络的隐藏节点数。在第二阶段，使用修剪算法确定网络的相关输入单元数。修剪过程试图从网络中尽可能去除许多连接。在训练过程中区分了数据的相关和不相关属性。相关属性将被保留，而其他属性将被自动丢弃。从具有少量连接和节点的简化网络中，我们可以使用所提出的算法轻松提取符号规则。神经网络在几个基准问题上的广泛实验结果表明了所提出方法的有效性和良好的泛化能力。
作者：S. M. Kamruzzaman and Ahmed Ryadh Hasan
论文ID：1009.4984
分类：Neural and Evolutionary Computing
分类简称：cs.NE
提交时间：2010-09-28