该文主要研究基于遗传算法和粗糙集软计算方法的神经网络模型的构建方法,研究了遗传算法和粗糙集软计算方法的特点,研究了二者结合的优势,进而研究了神经网络模型参数的确定方法,提出改进神经网络模型参数及优化方法.仿真实验证明,这种改进方法取得了较好的结果.该文的研究工作主要有以下几个方面:首先,对遗传算法的基本操作进行了讨论,并基于遗传算法的基本操作对一个全局寻优问题进行了仿真实验,验证了遗传算法的有效性.第二,讨论了粗糙集处理数据的基本原理和方法,通过仿真实验证明了粗糙集理论在数据预处理应用方面的有效性.第三,对粗糙集规则提取方法进行了研究,提出了基于遗传算法和粗糙集理论的规则约简方法,即应用遗传算法对粗糙集简化形成的知识表进行全局寻优,获得知识的最小决策规则.该算法既具有粗糙集处理不一致训练数据的能力,又具有遗传算法有效搜索决策规则的能力.仿真实验表明,相对仅用粗糙集理论产生的规则而言,加入遗传搜索器的粗糙集产生的规则具有简化、实用的特点,缩短了计算时间,因此,将两种算法结合具有可行性.第四,研究了BP神经网络模型的构成及特点,针对神经网络模型的不足,论述了粗糙集软计算方法与神经网络结合的可能性.利用粗糙集在处理不确定性和不完全性问题方面的优点,构成粗糙集神经网络模型,即根据基于粗糙集和遗传算法获取的规则构建新的神经网络模型.仿真实验研究表明,采用基于粗糙集和遗传算法的神经网络不仅保持了原有神经网络模型和粗糙集理论的优点,还在实时性方面获得了较大的提高.最后,对全文所做的工作进行了总结,并对下一步研究工作进行了展望.