计算机科学Zoozvol·29塑·12粒度神经网络对数字语言的数据融合‘DataFusionofNumerieal一LinguistieBasedonGranularNeuralNetworks行小帅‘，2焦李成‘(西安电子科技大学雷达信号处理国家重点实验室西安710071)’(山西师范大学物理系临汾041004)“AbstractThispaperpresentsaneuralnetworksbasedknowledgediseoveryanddatamining(KDDM)methodologybasedongranulareomputing，neuraleomputing，fuzzyeomputi雌，linguistieeomputing，andpatternreeognition.Agranularneuralnetwork(GNN)15designedtodealwithnumerieal一linguistiedatafusionandgranularknowledgedis-eoveryinnumerieal一linguistiedatabases.TheGNN15abletolearninternalgranularrelationsbetweennumerical一lin-guistieinputsandoutputs，andpredietnewrelationinadatabase.Ke拌ordsGranularneuralnetworks，Datafusion，Datamini鳍，Knowledgediseovery1引言知识发现和数据挖掘(KnowledgediseoveryanddataMining，简称KDDM)是近几年来随着人工智能和数据库发展起来的一门新兴的数据库技术.其处理对象是海量的日常业务数据，其目的是从大量的数据源中提取人们感兴趣的、有价值的知识和重要的信息[lj。由于计算机和通信技术的迅猛发展，人类活动产生的数据日益增加，大量的各种数据库用于政府事务、科学研究、工业生产、商业管理和其它各个方面。数据的爆炸式增长使KDDM成了一个日益重要的研究领域。所提取的知识可用于问题求解、生产控制、信息管理、判断决策及其它许多方面，这将会产生巨大的社会效益和经济效益。由于神经网络分类精确、鲁棒性好，因此能从数据库中发现非线性的、不明显的和潜在的有用信息和知识[2]。在数据库中，对给定一组输入一输出数据，普通清楚的神经网络(crispNeuralNetwork，CNN)能训练所给的数据组，然后训练的CNN能调节清楚的数字权重，学习输入数据和输出数据之间潜在的知识，最后CNN能够应用发现的知识为新的输入数据去预测新的输出数据。对于KDDM而言，CNN是一个有用的工具.在大多数的应用中上述输入和输出数据是清楚的数字。但在实际情况中，不仅存在数字数据如3.1416一1.732，而且也存在语言(或者符号)数据如比较高、很年轻、近似等于10等等，这在政府和商业的各种数据库中都存在一个语言神经网络(LinguistieNaturalNetwork，LNN)能够处理语言(或者符号)输入和输出数据，如何在KDDM领域中用神经网络去处理数据库中的数字和语言数据问题变成了一个挑战性的问题。在数据库中对于单纯数字的KDDM而言，CNN和模糊神经网络(FuzzynetworkFNN)是一个强大的工具[‘，，]，而对于语言KDDM而言，用文字计算(ComputingwithWords，CW)是一般语言计算的方法，能够用于发展语言计算的KD--DM系统[sJ。对于一个完成数字和语言的KDDM，动力学结构的模糊神经网络可用于数字一符号的挖掘，并且可用于模糊知识的压缩、扩大和再发现[t‘，〕.然而，存在的主要问题是:在数据库中如何训练CNN和FNN用于数字和语言数据;如何从数字一语言数据库中提取IF一Then规则;如何在数据库中应用发现的知识去检查丢失的数字一语言数据并且预测新的数据.针对上述三个问题，提出了一个新颖的粒状神经网(Gramilarneuralnetwork，GNN){”‘‘，，]。一般情况下，GNN有能力处理粒状数据(如数字和语言数据)，提取粒状的IF一Then规则，融合粒状数据组，压缩粒状数据库，并且能预测新的数据.本文的主要内容是:1)提出了模式识别基本的方法，这个方法能将数字和语言数据转换为数字特性的关系;2)在数据库中，利用CGNN和FGNN工具处理数字数据和语言文字;3)利用CGNN和FGNN解决了粒状数据的融合问题，而且FGNN也可用于发现粒状模糊知识。2粒状特性的提取一个数据库可以包含各种各样的多媒体数据例如:数值、语言文字、肖像、声音、音乐、画像和课文等。最低的数据粒状技术，是从真正的世界环境中直接处理未加工的多媒体数据的收集;而较高的数据粒状技术可以分类未加工的多媒体数据成为较高水平的粒状(即可分类、聚类、种类、群、组等)，可简化数据的处理和数据挖掘.在这样的意义下，数据的粒化可叙述为数据的挖掘、数据聚类、信息融合...