多重改进型指数双向联想记忆模型及其在多证据推理中的决策性能

提出了多证据推理中采用神经网络来模拟信念组合学习的方法 .网络由多个改进型指数双向联想记忆模型(Ie BAM)构成 ,并且共享一个输出来同时进行多证据不确定性的管理 .文中证明了多重 Ie BAM(Multi- Ie BAM)的稳定性 ,讨论了在多条证据同时提交网络后的多数规则 .理论和实验都证明了多数因子比 Wang所提模型更紧凑、更严格 ,从而可保证在受一定程度的干扰下 ,专家们仍能做出正确决策 .最后所给出的模拟例子的结果与直觉推理相吻合 .

多证据推理Hopfield神经网络在PIV数据后处理中的应用

在对人脑判别PIV错误矢量方式进行模拟的基础上,建立了错误矢量识别的多证据推理Hopfield神经网络模型,并通过数值试验对该网络模型的功能进行了验证.试验结果表明,该网络模型具有较强的识别能力,可以识别出所有的错误矢量.

多重加权改进型指数双向联想记忆网络及其决策性能

CCWang等作者利用指数双向联想记忆模型 (eBAM) ,构造了由多个eBAM构成的多重eBAM(Multi e BAM)信念组合模型 ,使之可模拟多个专家的投票表决决策 ,并获得了Multi eBAM在各eBAM具有同等权威度条件下的决策性能 .本文在此基础上 ,通过对各eBAM引入不同的权值来模拟各专家不同的权威度 ,推广了Multi eBAM .进一步借助陈所提出的改进型eBAM(IeBAM) ,构建了相应的多重加权改进型eBAM(Multi WIeBAM)信念组合模型 ,获得了此推理模型在同、异步方式下的决策性能及多专家不同权威度下的多数投票因子 ,使之更符合实际的多数表决决策 .理论分析表明Multi WIeBAM所获得的多数投票因子优于Multi WeBAM的多数投票因子 ,即前者较后者具有更紧致的下界 .实验结果也表明了Multi WIeBAM的性能要优于Multi WeBAM .