人工神经网络(以下简称神经网络)由于其突出的优点,例如高精确度、强鲁棒性、并行能力等,特别是具有较强的自学习能力,使得它在很多领域得到了广泛地应用。然而,神经网络的应用却受到其固有缺陷的限制,即得到的结果缺乏可理解性。另一方面,知识阈值理论认为智能行为取决于知识的数量及其一般化的程度,一个系统之所以有智能是因为它具有可运用的知识。可以认为智能是知识和智力的总和。然而,在构建智能系统的知识库时,领域知识的获取往往成为智能系统发展的瓶颈。领域专家很难全面、有效地提取和概括领域知识,甚至有些知识是人们尚未发现和掌握的,更不用说用于知识库中了。从神经网络中提取符号规则是解决上述问题的有效途径。一方面,它使得神经网络的结果具有易理解的形式,例如符号产生式规则,增加了用户使用神经网络构建智能系统的信心;另一方面,它也使得学习系统所获得的知识可以直接用于丰富知识库,缓解了当前知识库普遍缺乏领域知识的瓶颈。进行神经网络规则提取时,首先面临的问题是输入模式的属性既有离散值,也有连续值。要从神经网络中提取出更符合用户认识习惯的规则,就必须考虑带混合属性的神经网络规则提取问题。解决混合属性的问题,关键是解决好对连续值属性的描述方式。本文沿着两条思路展开,解决从带混合属性的神经网络中提取规则的问题:①一般情况下,用布尔表达式描述离散属性,比较容易被理解;用线性组合表达式描述连续属性具有明显的几何意义。于是,本文在沿袭传统的规则提取方法提取出分类超平面后,从中分离出离散属性和连续属性,分别用布尔表达式和线性组合表达式描述其约束。②对于连续值属性,引入语义等级,利用模糊集合的隶属函数将连续值离散化,然后,可以直接采用传统的方法提取规则。这样,规则中带有模糊语义,符合人们对连续属性的认识习惯。通过本文的研究的工作,在利用神经网路构造分类器时,可以采取本文提出的方法处理带有混合属性的网络输入。这些方法能够提高神经网络学习结果的可理解性。将蕴含在网络结构和权值中的知识显式地表达出来,不仅可以为决策作支撑,而且提取的符号规则可以融入知识库中,丰富智能系统的专业经验。