【摘 要】
：
近年来,深度学习在很多领域获得了广泛的应用.但是,由于深度学习的不可解释性,人类不能信任它的处理结果.本文针对这个问题,尝试使用云模型来表达特征空间中单个神经元的概念.经过逆向云变换算法得到的概念内涵可以表达概念的成熟度.在卷积神经网络(CNN)中,峰态系数过高或者过低的概念数量很多.现有逆向云发生器在转换这些概念时会产生较大的估计误差.这种误差导致得到的概念内涵不准确,干扰了对深度学习的解释.我们分析了单步法和多步法产生误差的原因,并用实际概念对分析结果进行了验证.分析结果表明,这些逆向云发生器在两种极
【机 构】
：
计算智能重庆市重点实验室(重庆邮电大学),重庆400065
论文部分内容阅读
近年来,深度学习在很多领域获得了广泛的应用.但是,由于深度学习的不可解释性,人类不能信任它的处理结果.本文针对这个问题,尝试使用云模型来表达特征空间中单个神经元的概念.经过逆向云变换算法得到的概念内涵可以表达概念的成熟度.在卷积神经网络(CNN)中,峰态系数过高或者过低的概念数量很多.现有逆向云发生器在转换这些概念时会产生较大的估计误差.这种误差导致得到的概念内涵不准确,干扰了对深度学习的解释.我们分析了单步法和多步法产生误差的原因,并用实际概念对分析结果进行了验证.分析结果表明,这些逆向云发生器在两种极端峰态系数的条件下会因为不同的原因产生幅度不等的误差.最后我们挑选了一种合适的逆向云发生器用于CNN单元概念内涵的转换.
其他文献
属性约简一直是粗糙集理论研究的热点问题.近年来,基于启发式的属性约简方法研究逐步兴起,其核心内容是在约简过程中增添最重要的属性,但此类算法存在复杂度高和时间消耗大等问题.针对此,提出一种基于序贯三支决策的属性约简方法.将属性作为划分策略的治略对象,依据属性重要度进行三支治略:根据属性重要度和阈值将属性分为正划分集合、负划分集合和延迟划分集合.发生正划分的属性集合被接受添加到决策属性集,负划分的属性集合被拒绝添加到决策属性集,对延迟决策的属性集合重复以上操作直至约简结果满足约束条件.此算法根据划分结果选取加
传统序贯三支决策模型通常不重视样本粒子的分布情况,未能较好地融入多粒度计算思想.本文提出基于模糊认知图的序贯三支多粒度决策模型,用图结点表示等价类,以图的形式进行多粒度描述和计算,并利用启发式算法实现多层次动态决策过程中粒度的自我调整和优化.实验结果表明,相较于已有的模型,该方法能够在具有较强解释性和粒度自适应的前提下,决策效果达到甚至优于基准模型.
研究经典信息系统中单量化粗糙集模型在直觉模糊序信息系统中的表达形式,建立直觉模糊序信息系统下双量化粗糙集模型,给出直觉模糊序信息系统下双量化粗糙集模型求解上近似和下近似的算法,最后通过实际案例分析构造的模型.
模糊集可以表示为一些模糊粒的并集,粗糙集也可表示成相应模糊粒的并集.本文主要探讨直觉模糊粗糙集的粒结构,直觉模糊粗糙集是在直觉模糊关系下结合了粗糙集和直觉模糊集构造出来的.本文首先在直觉模糊等价关系下定义了两种模糊粒,利用它们构造直觉模糊集的上下近似算子并给出例子.然后首次在相似关系下构造直觉模糊粗糙集的粒结构并探讨其性质,给出相应隶属函数的表达式,证明了利用模糊粒定义的近似算子等价于利用隶属函数定义的近似算子,进一步拓展了直觉模糊粗糙集在粒计算中的应用.
在移动网络交易中,交易双方的互信是网络交易能够顺利进行的前提和关键,实体间的信任度量涉及到交易额、交易时间、消费实体个人相关信息及其对信任的风险态度等因素,通常难以准确地进行量化计算.为探明这种互信关系的本质特点,基于多Agent系统协同理论,提出了基于移动Agent的动态互信计算模型,实现了对信任的定性与定量的转换;同时对现有的新用户信任度赋值方法进行了改进,提出一种依据前期系统的最小信任度,动态设置新用户初始信任度的方法,有效抵制了随意抛弃信誉资料的败德行为.并通过将交易评价体系和权重体系引入多因素机
属性约简是模糊粗糙集理论的重要研究内容,它能够删除冗余的属性,保留数据集中的关键信息.本论文旨在给出动态数据信息下的属性约简方法.基于模糊粗糙集模型中的极大样本差别对,给出了当样本发生变化时的增量属性约简算法.首先引入了增加一个样本时的约简更新机制,通过更新极大差别对,提出了相应的属性约简算法,基于此,给出了增加多个样本时的极大差别对更新机制以及相应的属性约简算法,最后实验进一步阐明该方法对于计算增量属性约简的有效性和实用性.
针对卫星姿态确定系统中存在不确定性系统误差问题,本文提出了 一种适于处理不确定性系统误差的新型鲁棒滤波方法,以提高姿态确定精度.在深入分析了经典的鲁棒姿态确定方法的优势及缺陷基础上,利用相对安装误差等系统误差之间的相关性信息,将不确定性误差降维处理,进而,基于最小化估计误差的方差上界的思想,设计出改进的新型鲁棒滤波方法,抑制不确定性系统误差的影响.最后通过仿真实验验证了本文所提出方法的有效性以及相对于经典的卡尔曼滤波(EKF)方法、扩维的EKF(E-EKF)方法以及经典的鲁棒滤波方法的优越性.
本文在L是完全分配格时,首先提出了L-模糊素理想度,并利用L-模糊集的四种截集对其进行了等价刻画,其次研究了由L-模糊素理想度诱导的L-模糊凸结构,同时讨论了任意多个L-模糊子集交的L-模糊素理想度以及在同态映射下象与原象的L-模糊素理想度的性质.
区间值毕达哥拉斯犹豫模糊集是毕达哥拉斯犹豫模糊集的扩展,增强了不确定信息处理的鲁棒性.将区间值毕迭哥拉斯犹豫模糊信息融入粗糙集分析,进行相应不确定性建模,实现不确定性信息融合.基于区间值毕达哥拉斯犹豫模糊关系,构建区间值毕这哥拉斯犹豫模糊粗糙集模型,研究下上近似关于集合并交补运算的基本性质,得到近似集的知识粒化单调性质,采用实例分析进行模型说明与性质验证.所得模型与性质有利于区间值信息系统的不确定性推理.
针对电力系统在风电并网时由于其随机性及不确定性而产生的波动扰动,致使降低系统稳定性的问题,提出一种基于H∞优化控制的不确定电力系统稳定性研究方法.通过励磁控制系统利用并行分布补偿技术结合事件触发理论设计模糊控制器,同时采用T-S模糊控制对电力系统进行模糊建模.通过H∞优化控制理论结合李雅普诺夫稳定性理论研究提出保证单机无穷大电力系统稳定性的充分条件以及系统控制器的设计方法,并将充分条件以线性矩阵不等式形式表示.最后采用MATLAB仿真软件对所求得稳定性判据进行验证,证实该结论的有效性.