构建初始八指将改写后的规则映射到的过程，具体映射关系如图4-27所示。按此对应关系构建的初始为一个多层全互联网络。构建初始入I' 时，需要相应地增加网络隐层结点，并且将这些新增结点的连接权重初始化为零。有学者指出，在网络训练前对所有连接权重和阈值赋予一个摄动值，效果会更好。网络训练是用一线业务员工提供的实例样本对初始进行学习的过程。学习算法采用传统的8？算法，但学习过程较传统有所改进，即在一个学习阶段结束后对网络的拓扑结构进行调整，包括结点、连接权重和阈值的增加、修改和删除等操作，这些操作分别对应了规则的补充、修改与删减。当每次训练到网络误差变化稳定后，在各隐层增加该层一定比例（如570的新结点，将其与邻层结点设置为全互联并赋予随机的较小权重。然后，进入下一阶段的学习，直到网络误差达到期望水平（满足训练结束条件〉才结束训练过程。

所对应的六…部分―网络输出结点一 网络输入结点-+网络的隐含结点—连接权重和阈值

改写后的规则部分规则集最终结论一规则集条件事实一增加的中间结论一规则依赖关系 一

图4-27规则与对应关系

动态增加的新结点可能导致无意义的规则知识。因此，在网络收敛后要进行相应的结点和连接的删减操作。目前，人结构学习的删减算法已经很多，其中1311丨1 3X3提出的遗忘结构学习算法〈皿1 163111丨118 乂出评他18，300对多余结点和连接的删减效果良好。该算法基本思想是在神经网络的均方差妨31；上增加惩罚项，其由3部分组成，即遗忘学习 1631111118 乂出丨01：8础118，…）、隐含结点澄清学习〈1枕111丨明界油11丨况⁶?! 1111丨I⁸ 01&1迅0&1100，冗）和选择遗忘学习 163101118 8616011 6 &1 6111118 1 11810。81 算法步骤为：用 '得到一'个骨架网络结构；用使隐含结点的输出为全激活（接近1〉或全抑制（接近⑴；同时用181'和⑶沈得到更好的学习效果。完成网络删减后，得到最终网络。

最终网络以隐式方式存储了求精后的规则知识。由于神经网络表示与存储知识有其自身优点，所以可以就此结束求精过程。对于有规则提取要求的，则要将最终网络所蕴涵的隐性知识转化为明晰的规则知识，并将其存入精细规则库。关于规则提取，巧提出的比较有效的方法，其算法步骤如下：对于每个结点7，将见丨和见―分别定义为其所有正输入权值的集合和所有负输人权值的集合，X广，X「分别定义为通过权重乂 ，和厂与结点7相连接的前层结点，则若其某部分正输人权值〈|切、…，10： I    之和加上除某部分负输入权值