基于粗糙集和神经网络的数据融合方法研究

高　巍　迟　宇　赵　海　史　率

粗糙集(Rough Sets，RS)理论是由波兰科学家Z.Pawlak于1982年提出的，作为一种刻化具有不完整性和不确定性的信息全新数学工具，粗糙集理论算法简单，易于操作。它的主要特点是具有很强的定性分析能力，即以不完全、不精确、不确定的信息或知识处理一些不分明现象的能力，或依据观察、度量到的某些不精确的结果而进行分类数据的能力，可以直接对不完备信息进行处理，而不必进行完备化。人工神经网络(Arti- fieial Neural Network，ANN)，作为人工智能领域的一个重要分支，它最吸引人的一点是其数值逼近能力，它能够处理定量的、数值化的信息。人工神经网络通过互相连接而形成网络的拓扑结构，并按某种规则对数据并行处理。作为一种自适应非线性动态系统，神经网络具有良好的容错能力和自适应性，对应用系统的先验概率分布要求较小，可以处理不完备、不精确的信息。由于神经网络具有信息处理速度快，数据存储空间小，硬件处理系统结构简单等优点，因而在数据融合中得到了广泛应用。数据融合技术自提出以来，在很多领域都得到了广泛的应用。随着神经网络技术的快速发展，它也成为主要的数据融合方法之一。但是传统的神经网络一般不能将输入信息空间的维数简化，当输入信息空间存储维数较大时，网络不仅结构复杂，而且训练时间也很长。将粗糙集理论和神经网络结合起来，利用粗糙集理论简化神经网络的训练样本，在保留有用信息的前提下消除冗余的数据，以提高训练速度，从而提高整个融合系统的速度。