基于神经网络和遗传算法的事例最近邻法检索模型.doc

?邢渊阮雪榆(上海交通大学国家模具CAD工程研究中心上海200030)摘要提出了基于白适应共振神经网络ART1模型进行事例的智能层次聚类和基于遗传算法(GA),可有效缩小事侧的搜索空间,,防止橙索出的相似度系数最大的事例并NN非最佳事例,即K—,,ART1神经网络,遗传算法,基于事例的推理0引言在基于事例推理(Case—BasedReasoning,CBR)的”检索(Retrieve)一重用(Reuse)一修正(Revise)一存储(Retain)”循环中,,,检索通常被区分为两个阶段,(K—NearestNeighborsmethod,KNN),—NN法由于概念清晰,—NN法在实际应用中存在着两个不可回避的问题:一是事例特征权重的确定;—NN法的检索质量与效率,—NN的CBR推理系统,用自适应共振神经网络ART1模型的聚类能力有-效缩小问题搜索空问,同时基于遗传算法(icA1gorithm,GA)对事例的特征权值向量进行优化,以提高对大型复杂事例库基于K—,,K—,,事例的特征可统一表示为特征及有限个可能取值集,即表示为,一fv1,V2,…,Vn}.,该位置上的码位为1,,取V1值时,则对应的该特征编码为{1,0,…,O}.=,,},(破坏),输入层单元数为特征向量的维数,,识别阶段,.(1)初始化阶段首先对自下而上的权矩阵元素b自上而下的权矩阵元素赋初值,即b=1/(1+),f,=l;Vi?{1,},J?I1,}这里为输入层单元个数,为输出层单元个数.(2)识别阶段初始化后即可输入新的特征向量,然后计算输入的二进制模式矢量对输出层单元的刺激水平,即输入矢量与自下而上权矢量的加权和,*=?boxvj?{1,在这些输出中,只有最大的弘进行第三阶段的比较,即=max{1(3)比较阶段计算对应于的相似系数s,与警戒参数比较,?5,——一*I1?墨i=1如果s>vp,则匹配成功,转入下一阶段;如果s?vp则匹配失败,使该单元无效,并进行下一个,(事例)不属于任一现有组别,则生成新的组.(4)更新(学习)+芝二,(),i=1(t+1)=(f),V?{1,}当匹配成功时,应对相应的J单元所对应的权值进行更新,即计算.(5),构成该组事例的索引,,,警戒参数越太,形成的聚类组数越多,,聚类组数少,,若第一次聚类