单体模糊神经网络的学习规则及其收敛性研究

梁久祯教授在不久前研究了单体模糊神经网络 (MFNNs)的函数逼近能力 .在此基础上 ,提出了单体模糊神经网络 (MFNNs)的学习规则并进一步研究了其收敛性 .研究结果表明 ,所提出的学习规则是收敛的 ,这一结论为单体模糊神经网络的应用提供了坚实的理论基础 .

关于单体模糊神经网络感知机收敛定理的讨论

考虑单体模糊神经网络模型 ,讨论了单体模糊神经网络的感知机收敛定理与传统神经网络感知机收敛定理的关系 ,指出了在证明单体模糊神经网络的感知机收敛定理时存在的问题 ,提出了两种修改方案 ,即给出了两个改进的感知机收敛定理 。

训练模式对的摄动对单体模糊神经网络的影响

针对训练模式对的小幅摄动可能对模糊神经网络的性能产生不利影响,提出了单体模糊神经网络对训练模式对摄动的鲁棒性概念,并就训练模式对的最大保序摄动的情形对单体模糊神经网络(MFNN)进行了具体分析,一般的模糊神经网络对训练模式对摄动的鲁棒性概念可类似定义。理论研究表明:当训练模式对发生最大γ保序摄动时,在h=5的条件下,单体模糊神经网络对训练模式对的摄动全局拥有好的鲁棒性,这将有助于MFNN系统的性能分析、学习算法的选择和模式对获取。

基于单体模糊神经网络的多重模糊推理方法研究

文章基于单体模糊神经网络(MFNN)对多重模糊推理的Mamdani方法进行了推广，得到的广义方法(简称G-Mamdani法)克服了原有方法的若干不足。文章采用了求解模糊关系方程的方法来确定网络的权值，依此新方法，实现了一个模糊推理机，其推理效果较好。这一方法为模糊专家系统和模糊控制系统等提供了一种新的有力的推理工具。