用学习和搜索方法从神经元网络中抽取知识

针对训练好的神经元网络进行解释这一难以解决的问题，提出了一种从神经元网络中抽取规则的新的抽取方法——二阶段法，从隐含层到输出层，利用学习方法从整个隐含激励空间中抽取出有效区域，形成规则；从输入层到隐含层，利用搜索方法，通过分析其间的权值关系抽取出规则，使得所有被这些规则覆盖的实例所产生的隐含激励向量均位于上述有效区域内。实验证明了此方法产生的规则比Ｃ４．５产生的规则的抗干扰力强，同时其可信度比传统的基于搜索的抽取方法——ＫＴ算法要高。     

基于克服过早收敛的自适应并行遗传算法

为了克服遗传算法中存在的主要问题即过早收敛（过早收敛使得一些优秀个体或基因过早地被排除掉,从而导致搜索范围缩小及局部最优,影响了进一步搜索）,从控制参数的改进着手,提出了多种群并行进化及自适应调整控制参数相结合的思想。克服了以往定常参数单种群进化的不足,综合了不同特性种群进化的长处,使得过早收敛问题得以缓解,同时又提高了搜索的范围和效率。