论文摘要
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,论文针对模糊联想记忆网络对训练模式摄动的鲁棒性和模糊双向联想记忆网络的学习算法进行了较深入的研究,并探讨了区间值模糊集相容度的性质、改进和传播问题。论文主要研究以下几个问题:（1）该文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的概念;接着具体分析了最大-乘积型模糊联想记忆网络（Max-Product FAM）的相关性质,并发现当采用模糊赫布学习算法时,该网络的这种鲁棒性好;但采用另一学习算法时,它的这种鲁棒性较差,且用实验证实了文中的理论分析结果,示意了该模型的应用。（2）该文在研究模糊双向联想记忆网络时,利用模糊取大运算和三角模中Lukasiewicz t-模算子和爱因斯坦s-模算子分别构造新型模糊双向联想记忆网络Max-TL FBAM和Max-Ses FBAM,并对这些模型提出了有效学习算法。在理论上严格证明了,对任意给定的模式对集,只要存在有连接权矩阵对使其为相应网络的平衡态集,则依该学习算法所确定的连接权矩阵对（ W ,U）是所有这样的连接权矩阵对中的最大者;并发现在Max-Ses FBAM中,拥有这种最大连接权矩阵对的网络具有全局收敛性,并对任意输入该网络一步就能进入平衡态。（3）针对区间值模糊集的已有相容度存在的一些不足,该文分析了复杂的区间值模糊集相容度的性质、改进和传播问题,提出了一个新的相容性测度公式-相合度,它去掉了相容度的非对称性的缺点,又保持了相容度其它特性质;首次研究了模糊推理算法对相容度和相合度的传播问题。该工作对基于区间值模糊集的规则库整理以及推理机的分析和选择有一定益处。