FALCON 在資料屬性缺漏下的學習法則

下圖為 FALCON 系統的學習架構圖，在單一筆具有完整屬性值之 資料 X 的情形下的學習法則。

圖 4.4 FALCON 系統的學習架構圖

圖 4.4 表示為單一筆資料 X，具有屬性 a、屬性 b、屬性 c 及決定 部 D，以 Kohonen 學習法與增強式競爭學習法建構之 FALCON 系統的 學習架構圖。在第二層，每ㄧ個屬性的模糊分割皆為二，在第四層的 模糊切割為四，第三層法則庫依第二層個數有八個神經元。

在一般傳統資料輸入訓練的情形下，法則庫如上圖般訓練。當資 料庫中之資料發生屬性值缺漏，則系統無法建構圖 4.4 般的三種屬性之 學習網路，如下所示：

圖 4.5 FALCON 系統發生資料缺漏之圖

圖 4.5 同圖 4.4 表示為單一筆資料 Y，具有屬性 b、屬性 c 及決定 部 D，屬性 a 缺漏之情況下，並嘗試以 Kohonen 學習法與增強式競爭 學習法建構之 FALCON 系統的學習架構圖。在第二層，每ㄧ個屬性的 模糊分割皆為二，在第四層的模糊切割為四，第三層法則庫依第二層 個數需要有八個神經元。第二層到第三層以虛線表示神經元需要連結 卻因沒有信號輸入而無法連結。第三層到第四層因為第三層無法順利 連結而無法訓練。

依 FALCON 原理，若單一筆資料 Y 只具有屬性 b、屬性 c 及決定 部 D，是可以依兩種屬性之 FALCON 學習網路學習。但是並不如圖 4.5 所表示的虛線連結，其兩種屬性之 FALCON 學習網路應表示為下圖的 實線連結方式：

圖 4.6 只具有兩種屬性之 FALCON 學習網路圖

圖 4.6 所示，即是真正只有屬性 b、c 及決定部 D 之兩種屬性的 FALCON 學習網路圖。將屬性 b、屬性 c 及決定部 D 輸入後，再以 Kohonen 學習法與增強式競爭學習法建構之 FALCON 系統的學習架構 圖。在第二層，同圖 4.4 的單一資料 X，每ㄧ個屬性的模糊分割皆為二，

在第四層的模糊亦切割為四，第三層法則庫依第二層個數有四個神經 元。

因此，若能結合圖 4.4 與圖 4.6，解決圖 4.5 之無法學習之問題，

即可創造出當屬性只有兩種時，就只學習兩種屬性；當屬性有三種時，

就學習三種屬性的系統。

由上述討論中得知，缺漏資料在 FALCON 網路上傳遞時，其訊息 處理之困難發生在 FALCON 網路第三層的法則層。由圖 4.4 與圖 4.6 的分析情形，圖 4.4 之 FALCON 第三層法則擁有八個神經元，圖 4.6 之第三層法則卻只有四個神經元。因此，使系統同時能學習三個屬性 及兩個屬性的關鍵來自 FALCON 網路第三層的模糊交集。

本研究針對上述多種屬性之模糊交集的處理分為兩部份：（1）第 二層學習參數之修正（2）第三層的模糊交集法。並對於第一部份提出 多維空間式 Kohonen 學習，而第二部份提出多重屬性模糊法則。