面向复杂数据的粒神经网络模型及其泛化能力的研究

Traditional neural networks can't solve knowledge extraction problems with tremendous amounts of multi sources and complex data. Moreover, deep networks also lack of interpretability.This project starts the research of granular neural networks from information granulation which makes data into different levels and builds fewer abstract information granules. Information granules are used as input data and parameters of neural networks in which we consider the multiple granules and multiple levels in people's cognition process as reference. Then the corresponding training algorithm is designed. The generalization ability is also studied. A plan to build multiple granular neural networks is studied to deal with a tremendous amount of complicated data. As to the multi resources data problem, we firstly do information granulation and build models locally. Then study the information collaboration and sharing between different local models. Considering the techniques of feature selection level by level, a global granular neural network is established. The research will provide a solution of neural networks study with tremendous amount of complicated data, enrich and develop neural networks theory, push the development of nonlinear intelligent information' processing.

传统神经网络已经不能高效的解决多源、动态和结构复杂的大规模复杂数据的知识提取问题,深度网络也存在模型缺少可解释性的缺点。本项目从数据粒化研究出发, 将数据层次化处理,形成数量较少、高度抽象的信息粒,研究粒神经网络建模问题。借鉴人类认知过程中的多粒度多层次思想,利用信息粒作为神经网络的输入与模型的参数,设计相应的训练学习算法,建立一套处理大规模复杂数据的多粒度粒神经网络模型的方案，并对其泛化能力进行研究。对于多源数据问题,在局部信息粒化,局部建模基础上达到粒神经网络之间信息交互与共享,逐层分析建立全局粒神经网络模型。本研究将为大规模复杂数据的神经网络学习提供一种解决方案，丰富和发展神经网络理论，推动非线性智能信息处理的发展。

神经网络从多层前馈、反馈结构到各种类型的深度网络模型，都以高精度的拟合能力著称。面对多源、动态和结构复杂的数据源，传统神经网络需要根据情况设计相应的综合模型，而深度网络模型本身缺少可解释性，模型复杂度高。粒计算是一种将数据抽象化的范例，并定义了相应的计算原理。本研究从数据角度进行知识提取，对数值数据进行粒化，并将这种粒化的数据应用到神经网络模型训练上，根据粒度数据的不同地点，将粒度神经网络模型分为粒化权重神经网络、粒化属性神经网络、粒化属性与权重神经网络(Ⅰ型粒度网络，Ⅱ型粒度网络，Ⅲ型粒度网络)。同时，通过采用不同的训练数据模拟不同的局部粒度模型，在此基础上建立全局模型，研究局部模型关联信息与之对全局模型的影响。本研究将为大规模复杂数据的神经网络学习提供一种解决方案，丰富和发展神经网络理论，推动非线性智能信息处理的发展。