基于线性神经网络的Łukasiewicz模糊逻辑逆向工程与符号知识提取

本文描述了一种结合基于逻辑的系统和连接主义系统的方法。我们的方法采用有限真值Łukasiewicz逻辑，利用此类逻辑中每个连接词均可由激活函数为截断至0和1的恒等函数的人工网络中的神经元定义这一事实。这使得一阶公式能够注入网络架构，并简化了符号规则提取。我们的方法使用Levenderg-Marquardt算法训练神经网络，同时限制知识在网络结构中的传播。我们展示了这如何在不会严重损害学习性能的情况下降低神经网络的塑性，使所产生的神经网络的描述能力接近于Łukasiewicz逻辑语言的描述能力，从而简化符号与连接主义结构之间的转换。该方法用于逆向工程问题，即寻找用于生成多值Łukasiewicz逻辑真值表的公式。对于真实数据集，该方法特别适用于使用标称属性定义的二分类问题的属性选择。在所得连接主义模型中进行属性选择及可能的数据集补全后：神经元可直接用Łukasiewicz逻辑中的析取或合取公式表示，或者神经元是可被符号规则近似的解释。从UCI机器学习库中的Mushroom数据集生成的连接主义模型提取符号知识，例证了这一事实。