模糊認知學習法之新研究成果

Abstract

本論文改進一套模糊認知類神經網路學習法則，此方法可用於同時處理數值資料及模 糊若則法則（fuzzy if-then rules）來表示的專家知識的分類器。我們擴展傳統的 線性認知網路成二階的認知網路，以提供更大彈性的判別函數。為了使類神經網路能 夠處理語文變數，模糊集合的水準集合（level sets）理論被引進至認知學習方法中 。在輸入模糊函數的不同水準下，根據輸出單元之函數及其對應之非模糊目標值，可 以導出模糊認知學習演算法則（fuzzy perceptron learning algorithm），本論文 主要為利用頂點法（vertex method）來求得輸出函數之極值所對應之點，亦即此方 法可大為提高模糊認知學習法之收歛速度與所需之時間。此外，模糊認知學習演算法 能夠利用修正的口袋演算法（pocket algorithm）－模糊口袋演算法（fuzzy pocket algorithm）－解決無法分開的分類問題，例如有模糊集合重疊的情況。大量電腦模 擬的結果將顯示模糊認知學習演算法則的效果，並可同時改進由田中（Tanaka）等人 提出之模糊誤差反傳遞法之速度慢，與不能收歛至正確值的問題。