基于三角模的模糊联想记忆网络

当T为t-模时,基于模糊取大和T的模糊联想记忆网络(FAM)存在局限性,当T为三角模,是t-模的广义形式,将这种FAM推广成基于Max-T的模糊联想记忆网络Max-TFAM.则Max-TFAM实现了从一个向量空间到另一向量空间的映射,从Max-TFAM的值域角度,分析了它的存储能力,并建立了一个三角模T的伴随蕴涵算子新概念,利用该伴随蕴涵算子,在无需T为连续的、严格增等条件下,提出了Max-TFAM的一个简洁的通用离线学习算法和通用在线学习算法.从理论上严格证明了只要Max-TFAM能完整可靠地存储所给的多个模式对,则这两种算法都能轻易找到使得网络能完整可靠存储这些模式对的所有连接权矩阵的最大者.最后,用实验证明了Max-TFAM模型和所提出的学习算法的有效性.     

参数化模糊联想记忆网络的学习算法

基于Dubois提出的带参数ξ的t-模T_ξ,提出了一种参数化的广义模糊联想记忆网络Max-T_ξ FAM。由于T_ξ中参数ξ的作用,在应用中Max-T_ξ FAM有更强的可调性和灵活性。接着利用T_ξ的伴随蕴涵算子,提出了Max-T_ξ FAM的一种有效学习算法。从理论上严格证明了,只要Max-T_ξ FAM能完整可靠地存储所给的多个模式对,则所提出的学习算法一定能找到使得网络能完整可靠存储这些模式对的所有连接权矩阵的最大者。最后,用实验说明了所提出的学习算法的有效性。     

基于Lukasiewicz t-模的模糊双向联想记忆网络的有效学习算法

利用t-模的伴随蕴涵算子,为基于Max和TL合成的模糊双向联想记忆网络Max-TLFBAM提供了一种新的学习算法,此处TL是Lukasiewicz t-模算子。从理论上严格证明了,只要存在有连接权矩阵对使得任意给定的模式对集成为Max-TLFBAM的平衡态集,则依该学习算法所确定的连接权矩阵对是所有这样的连接权矩阵对中的最大者。并用实验验证该学习算法的有效性。     

基于三角模的模糊双向联想记忆网络的性质研究

基于模糊取大算子和三角模T的模糊合成,构建了一类模糊双向自联想记忆网络Max-T FBAM.利用三角模T的伴随蕴涵算子,为这类Max-T FBAM提出了学习算法,并理论上证明了该学习算法确定的连接权矩阵是网络最大的连接权矩阵.对任意输入能使Max-T FBAM迭代一步内就进入稳定态,该类网络具有全局稳定性和可靠的存储能力.当三角模T满足利普希兹条件时,采用上述学习算法时自联想Max-T FBAM对训练模式的摄动全局拥有好的鲁棒性.最后用实验证实了理论研究,也为图像的可靠存储提供了参考.     

带参数聚合算子的模糊联想记忆网络

基于最大运算Max和t--范数T的神经网络模型Max-T FAM是B.Kosko提出的经典模糊联想记忆(FAM)网络的一种重要的广义形式,其性能有多处不足.本文利用一种参数化聚合算子∨λ,提出了一种计算简单、易于硬件实现的广义模糊联想记忆(GFAM)网络,其连接算子从{∨λ|λ∈[0,1]}中选取;从理论上严格证明了GFAM具有一致连续性,比所有Max-T FAM的映射能力和存储能力强很多;接着运用模糊关系方程理论提出和分析了GFAM的一种所谓的Max-Min-λ学习算法;最后用实验对GFAM和Max-T FAM的完整可靠存储能力进行了比较,并示例了GFAM在图像联想方面的应用.     

基于信息融合的改进型模糊神经网络

结合模糊控制和神经网络的优点,采用模糊神经网络弥补数据融合算法中的不足;在此基础上提出一种新的模糊神经网络结构模型,分别以模糊化、模糊规则的组合和清晰化作为网络的学习算子,使神经网络与模糊控制的结合更加完善更加紧密;通过隐层构造和学习算子的推导发现,这种网络能很好的弥补数据融合算法的不足,并能进一步提高系统精度,且使计算量减少.     

模糊联想记忆对训练模式对摄动的鲁棒性研究

基于模糊取大算子（V）和T-模的模糊合成,构建了一类模糊联想记忆网络（V-T FAM）。利用T-模的模糊蕴涵算子,给出了这类V-T FAM的学习算法。针对训练模式对小幅摄动可能对模糊神经网络的性能产生副作用,提出V-T FAM对训练模式对摄动的鲁棒性概念。理论研究表明,当T-模满足Lipschitz条件时,采用上述学习算法的V-T FAM对训练模式对摄动幅度,在系数为β的条件下全局拥有好的鲁棒性。最后用V-T FAM在图像联想方面的实验验证了理论结果。     

一种基于抗体网络的免疫算法

阐述了免疫系统抗体网络的机理和特点,深入分析了抗体网络与常用的免疫算法和Hopfield神经网络异同.通过不断更新输入模式(抗原)和采用最优保存策略,将基于克隆选择的竞争学习算子、自动生成网络结构、剪枝算子和低频变异用于进化操作,提出一种新的基于抗体网络的免疫算法,用于函数优化问题.实验结果表明新算法可行有效.与常用的免疫算法、Hopfield神经网络优化算法比较,新算法具有较好的全局搜索能力和较快收敛速度.     

机械手轨迹规划的神经网络逆模控制

针对二自由度机械手动力学模型的非线性和参数的不确定性,提出了一种神经网络与逆模控制相结合的控制策略。针对传统BP算法在神经网络训练后期收敛速度慢且容易陷入局部极小的缺点,提出一种快速启发式学习算法。采用所提出的快速启发式网络学习算法训练多层前馈神经网络,建立机械手的逆动力学模型,实现对机械手的非线性控制。仿真结果表明了所提出控制策略的有效性和快速启发式网络学习算法的快速收敛性。     

基于TD-TP-growth的模糊关联规则挖掘算法

提出一种基于ＴＤ-ＦＰ-ｇｒｏｗｔｈ的模糊关联规则挖掘算法．首先,使用３种t-模算子以及由其产生的蕴涵算子计算模糊频繁项的支持度和规则的蕴涵度,产生的关联规则能表示模糊项间的确定性和渐近性逻辑语义;然后,以事务的惟一标识为键值,散列存储每个事务相对ＦＰ-ｔｒｅｅ中每个结点所表示模糊项的隶属度,使ＴＤ-ＦＰ-ｇｒｏｗｔｈ适用于模糊频繁项的挖掘,并分析了算法的时间和空间复杂度;最后,实验结果表明该算法比基于ａｐｒｉｏｒｉ的模糊频繁项挖掘算法在时间方面更加有效．     

一种参数化模糊联想记忆网络的鲁棒性分析

基于最大运算Max以及带参数ξ的t-模Tξ的模糊关系合成,提出一种参数化的广义模糊联想记忆网络Max-Tξ FAM及一种有效学习算法。由于Tξ中参数ξ的作用,在应用中Max-Tξ FAM有更大的适应性和灵活性。从理论上证明采用该学习算法时,对任意 ,Max-Tξ FAM对训练模式摄动的鲁棒性差。通过一个图像联想方面的实验检验了该结论的正确性。     

最大-乘积模糊联想记忆的神经网络学习算法

在模糊系统中,从某种意义上说,乘积关系编码可以比最小关系编码保留更多的信息。提出了最大乘积模糊联想记忆的一种新的神经网络学习算法,并给出了严格的理论证明。该算法能够将多个模糊模式对可靠地编码存储到尽可能少的连接权矩阵中,从而大大地减少存储空间,而且容易实现,并举例验证了它的有效性。     

多模式对模糊联想记忆学习算法的优化

一、引言 人脑神经系统信息活动的一个重要特征是能够接收和处理模糊的、连续随机的信息,并在输出时不追求绝对精确解而只要求能找到问题的满意解。模糊联想记忆神经网络是Bart Kosko于1987年提出的采用模糊赫布型学习规则的一种单状态异联想记忆神经网络,在模糊控制、模式识别、专家系统等领域曾引起人们的关注。由于该网络的子集联想特性和不能有效地联想存储多个训练模式对而影响了它的应用[1-3]。本文提出模糊合成运算的一种微分法则,用一代价函数以反映网络性能,将梯度下降搜索技术与模糊赫布型学习规则相结合,建立了在单个模糊联想记忆神经网络中联想存储多个模式对的一种优化学习算法。理论分析和实例计算均证明该算法优于Kosko的学习规则。     

GOFAM: a hybrid neural network classifier combining fuzzy ARTMAP and genetic algorithm

Fuzzy ARTMAP (FAM), which is a supervised model from the adaptive resonance theory (ART) neural network family, is one of the conspicuous neural network classifier. The generalization/performance of FAM is affected by two important factors which are network parameters and presentation order of training data. In this paper we introduce a genetic algorithm to find a better presentation order of training data for FAM. The proposed method which is the combination of genetic algorithm with Fuzzy ARTMAP is called Genetic Ordered Fuzzy ARTMAP (GOFAM). To illustrate the effectiveness of GOFAM, several standard datasets from UCI repository of machine learning databases are experimented. The results are analyzed and compared with those from FAM and Ordered FAM which is used to determine a fixed order of training pattern presentation to FAM. Experimental results demonstrate the performance of GOFAM is much better than performance of Fuzzy ARTMAP and Ordered Fuzzy ARTMAP. In term of network size, GOFAM performs significantly better than FAM and Ordered FAM.     

训练模式对的摄动对模糊双向联想记忆网络的影响及其控制

训练模式对的小幅摄动可能对模糊神经网络的性能产生副作用,为此文中提出了一般性的模糊神经网络对训练模式对摄动的鲁棒性概念,并就典型的模糊双向联想记忆网络FBAM进行了具体分析,理论研究表明FBAM采用模糊赫布学习算法时该鲁棒性好,而采用新近提出的另一学习算法时,该鲁棒性较差,为此,作者为后一算法提供了一种训练模式对摄动的控制方法,以保证FBAM的这种鲁棒性较好,最后用FBAM在图像联想方面的实验证实了文中的某些理论结果,文中工作对FBAM系统的性能分析、学习算法的选择和模式对获取过程的指导有一定意义。     

模糊联想记忆网络的增强学习算法

针对 Kosko提出的最大最小模糊联想记忆网络存在的问题 ,通过对这种网络连接权学习规则的改进 ,给出了另一种权重学习规则 ,即把 Kosko的前馈模糊联想记忆模型发展成为模糊双向联想记忆模型 ,并由此给出了模糊快速增强学习算法 ,该算法能存储任意给定的多值训练模式对集 .其中对于存储二值模式对集 ,由于其连接权值取值 0或 1,因而该算法易于硬件电路和光学实现 .实验结果表明 ,模糊快速增强学习算法是行之有效的 .     

模糊形态学双向联想记忆网络的性质

为模糊形态学双向联想记忆网络(FMBAM)提出一个学习算法。在理论上证明只要存在使给定的模式对集合成为FMBAM的平衡态集合,则该学习算法总能计算出相应的最大连接权矩阵对。该最大连接权矩阵对能使FMBAM对任意输入在一步内就进入平衡态,并且神经网络全局收敛到平衡态。FMBAM的每个平衡态都是Lyapunov稳定的。当训练模式存在摄动时,利用该学习算法训练的FMBAM,对训练模式摄动拥有好的鲁棒性。