模糊神经网络的学习算法的设计

论文摘要

不确定性人工智能是当前人工智能中的研究热点和重大的前沿课题。模糊神经网络是不确定性知识环境下构建非线性系统的重要工具。本文针对模糊联想记忆网络和模糊霍普菲尔德网络的学习算法进行了较深入的研究。主要研究工作包括:（1）利用t-模的伴随蕴涵算子,为基于Max和Tex合成的模糊联想记忆网络Max- TexFAM提供了一种新的学习算法,此处Tex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- TexFAM能完整可靠地存储所给的多个模式对,则这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。（2）提出了一种新的用于模糊霍普菲尔德网络的学习算法。该算法充分利用了输入模式各元素之间的关联信息,在联想过程中,权值矩阵可以根据输入向量的不同,进行动态的调整,利用了更多的已知信息,从而增强了网络对输入模式的适应能力,从而使得网络具有了更好的联想记忆能力,提高了网络的性能。

论文目录

• 摘要
• ABSTRACT
• 第一章 引言
• 1.1 选题的背景及研究的意义
• 1.2 人工神经网络的研究现状与发展
• 1.3 模糊神经网络的研究现状及趋势
• 1.3.1 模糊神经网络的分类及学习算法
• 1.3.2 模糊神经网络的研究现状
• 1.4 本文组织结构
• 第二章 人工神经网络基本原理及模型
• 2.1 神经元结构
• 2.2 神经网络的基本结构及工作方式
• 2.3 神经网络的学习方式和学习算法
• 2.3.1 神经网络的学习方式
• 2.3.2 神经网络的学习算法
• 第三章 基于模糊联想记忆网络的有效学习算法
• 3.1 模糊推理系统的组成
• 3.2 模糊神经网络模型
• 3.3 模糊蕴涵算子及三角模的相关知识
• 3.3.1 模糊蕴涵算子及其性质
• 3.3.2 三角模
• 3.4 模糊神经网络的学习算法
• 3.5 基于爱因斯坦t-模的模糊联想记忆网络的一个有效学习算法
• es FAM的一个有效学习算法'>3.5.1 Max-T_esFAM的一个有效学习算法
• 3.5.2 实验
• 3.5.3 本节小结
• 第四章 模糊Hopfield网络的学习算法及性质
• 4.1 Hopfield网络模型
• 4.2 DHNN的学习规则
• 4.3 模糊Hopfield网络（FuzzyHN）的结构和性质
• 4.3.1 FuzzyHN的结构
• 4.3.2 FuzzyHN的性质
• 4.4 基于模糊Hopfield网络的一个有效动态权值学习算法
• 4.4.1 网络模型的设计
• 4.4.2 系数的确定方法
• 4.4.3 实验
• 4.4.4 本节小结
• 结束语
• 参考文献
• 致谢
• 附录（攻读学位期间发表论文目录）