模糊神經網(wǎng)絡的性質和學習算法及區(qū)間值模糊集的研究.pdf

1、模糊神經網(wǎng)絡是不確定性知識環(huán)境下構建非線性系統(tǒng)的重要工具，論文針對模糊聯(lián)想記憶網(wǎng)絡對訓練模式攝動的魯棒性和模糊雙向聯(lián)想記憶網(wǎng)絡的學習算法進行了較深入的研究，并探討了區(qū)間值模糊集相容度的性質、改進和傳播問題。 論文主要研究以下幾個問題： (1)該文首先建立了前饋型模糊聯(lián)想記憶網(wǎng)絡對訓練模式攝動的魯棒性的概念；接著具體分析了最大一乘積型模糊聯(lián)想記憶網(wǎng)絡(Max-Product FAM)的相關性質，并發(fā)現(xiàn)當采用模糊赫布學習算法

2、時，該網(wǎng)絡的這種魯棒性好；但采用另一學習算法時，它的這種魯棒性較差，且用實驗證實了文中的理論分析結果，示意了該模型的應用。 (2)該文在研究模糊雙向聯(lián)想記憶網(wǎng)絡時，利用模糊取大運算和三角模中Lukasiewicz t-模算子和愛因斯坦s-模算子分別構造新型模糊雙向聯(lián)想記憶剛絡Max-T<,L> FBAM和Max-S<,es>FBAM，并對這些模型提出了有效學習算法。在理論上嚴格證明了，對任意給定的模式對集，只要存在有連接權矩陣對

3、使其為相應網(wǎng)絡的平衡態(tài)集，則依該學習算法所確定的連接權矩陣對(w，u)是所有這樣的連接權矩陣對中的最大者；并發(fā)現(xiàn)在Max-S<,es>FBAM中，擁有這種最大連接權矩陣對的網(wǎng)絡具有全局收斂性，并對任意輸入該網(wǎng)絡一步就能進入平衡態(tài)。 (3)針對區(qū)間值模糊集的已有相容度存在的一些不足，該文分析了復雜的區(qū)間值模糊集相容度的性質、改進和傳播問題，提出了一個新的相容性測度公式一相合度，它去掉了相容度的非對稱性的缺點，又保持了相容度其它特性