训练模式的摄动对最大一乘积型模糊联想记忆网络的影响

首先建立了前馈型模糊联想记忆网络对训练模式摄动的鲁棒性概念，分析了最大一乘积型模糊联想记忆网络（Max-Product FAM），发现当采用模糊赫布学习算法时它的鲁棒性好，但采用另一学习算法时鲁棒性较差。最后用实验验证了理论结果。     

模糊联想记忆网络对模式摄动的鲁棒性分析

在实际问题中,所获取的模糊神经网络的训练模式对总与客观真实的模式对存在一定的小幅误差（摄动）,从而可能导致对某些输入网络的实际输出与期望输出有很大的误差．为此,本文提出了训练模式集摄动对模糊联想记忆网络(FAM)的鲁棒性概念,并具体讨论了采用一种新的权值学习算法时FAM的这种鲁棒性及其控制方法。最后通过实验证明了采用这种新的权值学习算法时,FAM对模式摄动不会拥有好的鲁棒性。     

模糊Hopfield网络的收敛性与鲁棒性分析

收敛性与鲁棒性是模糊神经网络的两个重要性质。对带阈值的Max-T模糊Hopfield神经网络（记为Max-T-C FHNN）的收敛性及在训练模式小幅摄动情况下的鲁棒性进行了分析,从理论上给出了严格的证明。发现了采用最大权值矩阵学习算法时,Max-T-C FHNN具有良好的收敛性,同时当T模及其蕴含算子满足Lipschitz条件时,Max-T-C FHNN对训练模式摄动全局拥有好的鲁棒性,用自联想实验验证了理论的有效性。     

训练模式的摄动对最大-乘积型模糊联想记忆网络的影响

首先建立了前馈型模糊联想记忆网络对训练模式摄动的鲁棒性概念,分析了最大-乘积型模糊联想记忆网络(Max-Product FAM),发现当采用模糊赫布学习算法时它的鲁棒性好,但采用另一学习算法时鲁棒性较差.最后用实验验证了理论结果.     

模糊联想记忆网络的全局鲁棒性研究——基于爱因斯坦t-模

利用三角模的模糊联想记忆网络的性质以及模糊联想记忆网络的鲁棒性定义,对基于爱因斯坦t-模构建的模糊双向联想记忆网络的学习算法的全局鲁棒性进行了分析。从理论上证明了当训练模式的摄动为正向摄动时,该学习算法可以保持良好的鲁棒性,并用实验验证了该结论;而当摄动存在负向波动时该学习算法不满足全局鲁棒性。然后又进一步对训练模式集摄动最大摄动与输出模式集的最大摄动之间的关系进行研究,得出了训练模式集的最大摄动与输出模式集的最大摄动之间的关系曲线。     

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。     

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.     

模糊联想记忆网络的模式摄动影响研究

本文利用基于三角模的联想记忆网络的性质以及模糊联想记忆网络的全局鲁棒性定义,研究了训练模式集的摄动对模糊联想记忆网络的影响,并对基于几种算子的模糊联想记忆网络在训练模式存在摄动的情况下的受影响程度进行了比较。     

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。     

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.     

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。     

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。     

基于爱因斯坦t-模的模糊联想记忆的学习算法

为神经网络提供有效学习算法是神经网络研究的关键问题。文章利用t-模的伴随蕴涵算子,为基于Max和Tes合成的模糊联想记忆网络Max-TesFAM提供了一种新的学习算法,此处Tes是由爱因斯坦提出的一种t-模算子。从理论上严格证明了,只要Max-TesFAM能完整可靠地存储所给的多个模式对,则该新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。     

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。     

训练模式对的摄动对折线模糊神经网络稳定性的影响

引入折线模糊数及其扩张运算,针对折线模糊神经网络,定义折线模糊数的最大摄动误差、训练模式对的γ摄动等概念,并基于纠错规则设计该网络连接权的学习算法。其次,当转移函数满足Lipschitz条件和训练模式对发生γ摄动时,在定义折线模糊神经网络对训练模式对摄动的全局稳定性的基础上,应用归纳法证明三层折线模糊神经网络的连接权具有稳定性,进而获得该网络关于训练模式对的γ摄动也具有全局稳定性。最后,通过模拟实例说明训练模式对的摄动对该网络稳定性的影响。