8.2　粗糙神经网络

粗糙集理论存在容错能力与推广能力相当软弱，且只能处理量化数据等问题，而人工神经网络具有较强的自组织能力、容错能力与推广能力，但不能优选条件属性组合等特点，结合这两者将具有理论与应用价值。

粗糙神经网络系统框图如图8.1所示。用粗糙集理论对量化后的属性进行分类，对优化后的属性进行人工神经网络学习，再用量化参数及训练好的人工神经网络对识别样本进行分类。

图8.1　粗糙神经网络系统框图

粗糙集神经网络的另一种应用方式是将粗糙集数据的上下边界作为网络的输入。

经典的人工神经网络在预测模型中采用的是单值数据作为输入值，但是在一些应用中会产生问题。例如对一个物理量的测定，在某一段时间内得到的是一组数据，究竟应该采用测量值中的哪一个值作为网络的输入就难以确定。通常的方法是，将测量数据进行数学平均，以均值作为网络的输入，但这有可能导致具有重要性质的数据的泛化，而粗糙集理论则可以很好地解决这个问题。粗糙集数据的上下边界可以将这个物理量测量值的上界和下界作为粗糙神经元的输入。