论文摘要
模糊神经网络是不确定性人工智能技术的一个重要的工具,能对模糊信息处理进行综合模拟。它综合了神经网络和模糊逻辑的优点,在处理非线性和模糊性等问题上有很大的优越性,在智能信息处理方面也存在着巨大的潜力。但是随着互联网的发展,数据呈现出越来越快的增长趋势,面对海量的数据处理,很多智能方法都面临着巨大的挑战。而云计算的出现,使这类问题有了新的解决方案。因为云计算可以整合大量廉价的计算资源,用集中管理的方式对计算设施进行管理,而向外部提供计算服务。Google、Amazon、IBM、微软和Yahoo等大公司是云计算的先行者。Hadoop是Apache开源组织的一个分布式处理的软件框架,具有对大量数据进行分布处理的功能,可以在大量廉价的硬件设备组成的集群上运行应用程序,它实现了Google的MapReduce编程模型,提供给应用程序稳定可靠的接口,目的是构建高可靠性和良好扩展性的分布式系统。很多算法都可以通过并行化改造,成为可以在Hadoop平台上运行的并行化算法,然后通过在搭载Hadoop平台的集群上运行,从而缩短执行时间,提高求解效率。本文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,还对几个算子在训练模式最大摄动和输出模式最大摄动之间的关系进行了对比；而当摄动存在负向波动时该学习算法不满足全局鲁棒性,并用实验验证了该结论。接着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,并与其他的模糊算子进行了对比。然后将该算法进行了并行化研究,并将并行化后的算法实施到Hadoop云计算平台上,就大数据量处理问题比较了单机运行和集群运行的效率。实验结果表明,并行化后的学习算法随着数据量的增长,对求解时间的缩短效果会越来越明显。
论文目录
中文摘要Abstract第一章 引言1.1 模糊联想记忆网络的发展和现状1.2 云计算的发展现状1.3 研究背景和意义1.3.1 模糊神经网络1.3.1.1 算子研究的发展1.3.1.2 鲁棒性研究的发展1.3.2 基于云计算的模糊神经网络学习算法1.4 本文研究的主要内容1.5 论文内容的组织第二章 云计算和Hadoop计算平台2.1 云计算2.1.1 云计算的概念2.1.2 云计算的特点2.1.3 云计算的种类2.1.4 云计算的实现机制2.2 Hadoop平台2.2.1 分布式文件系统HDFS2.2.2 分布式处理MapReduce2.2.3 分布式结构化数据表Hbase第三章 人工神经网络3.1 人工神经网络3.1.1 人工神经网络的概念3.1.2 人工神经网络的特点3.1.3 人工神经网络的功能3.1.4 人工神经网络的应用领域3.2 模糊神经网络3.2.1 模糊联想记忆网络的概念3.2.2 模糊算子3.2.2.1 三角模的定义3.2.2.2 爱因斯坦t-模3.2.2.3 Lukasiewicz t-模3.2.2.4 min算子3.2.3 模糊联想记忆网络的模型第四章 模糊联想记忆网络学习算法4.1 爱因斯坦t-模的性质4.2 爱因斯坦t-模的自联想记忆网络有效算法4.2.1 学习算法的内容4.2.2 学习算法可以得到最大连接权矩阵对4.2.3 学习算法迭代一步后就进入平衡态4.3 基于爱因斯坦t-模的模糊联想记忆网络的有效算法4.3.1 有效学习算法的内容4.3.2 学习算法的性质4.4 模糊联想记忆网络的全局鲁棒性4.4.1 最大摄动4.4.2 模糊联想记忆网络的全局鲁棒性第五章 基于Hadoop平台的模糊联想记忆算法5.1 基于爱因斯坦t-模的模糊联想记忆的并行算法5.1.1 求权值矩阵5.1.2 输入矩阵求输出5.1.3 流程合一5.2 模糊联想记忆的并行算法推广算法第六章 实验与仿真6.1 模糊自联想记忆网络图片仿真6.1.1 实验步骤6.1.2 实验结果6.1.3 实验结论6.2 训练模式集最大摄动和输出模式集最大摄动的关系6.2.1 实验步骤6.2.2 实验结果6.2.3 实验结论6.3 Hadoop平台运行并行算法后的效率分析6.3.1 硬件环境6.3.2 实验环境配置6.3.3 软件环境6.3.4 实验结果总结与展望致谢个人简历在读期间已发表和录用的论文参考文献
相关论文文献
标签：爱因斯坦模论文; 自联想记忆网络论文; 鲁棒性论文; 云计算论文;
