10、基于神经模糊模型和简单模型可视化的决策支持系统增强研究

基于神经模糊模型和简单模型可视化的决策支持系统增强研究

1. 决策树与相关神经网络方法

决策树在特征空间划分上有其独特的方法，当存在少数高度相关属性时，它往往表现良好。然而，决策树是不稳定的分类器，对训练数据的扰动非常敏感，噪声和无关属性会极大地影响其性能。

软决策树是经典决策树归纳学习的一种变体，它结合了模糊集理论。在树的生长过程中，模糊技术被集成到软决策树中。经典决策树技术具有可解释性、高效性、与问题无关且能处理大规模应用的优点，但它的一个主要缺点是在训练数据有微小扰动时高度不稳定，而将模糊性引入经典决策树可以提高决策树的稳定性。

从经典决策树派生神经网络的其他方法也有很多。例如，AFLN和F - CID3继承了决策树的网络结构，其基本原理是将决策树的结构映射到前馈神经网络上，网络的决策神经元与一个用于表示隶属函数的函数相关联。AFLN网络随后使用quickprop算法进行调整，而F - CID3使用Cauchy训练方法（一种梯度下降方法）进行调整，F - CID3是对CID3算法的扩展，它结合了模糊集理论。

Lin等人使用从启发式二叉树状划分算法生成的规则初始化了一个四层前馈神经网络，输入特征空间在固定位置递归划分，直到生成的两个区间的输出标签差异被认为不显著或达到最小数据点数。

MoDFuNC受SuPFuNIS的启发，其结构最初由CART决策树确定。CART决策树生成的高确定性和低确定性规则随后被映射到一个神经模糊系统中，低确定性规则可以进一步划分为使用扩展变量集的二级规则子集，以便更精细地识别与低确定性规则相关的分区中的模式。

决策树在神经网络结构识别阶段的应用类似于皮亚杰关于人类行动驱动认知发展过程的认知观点