模糊记忆在学习中的应用

模糊记忆在学习中的应用罗拔坤所谓模糊记忆，就是将一些含意一下子难以用准确的语言说清的词语，一些认识比较．含混、不易理解的慨念、公式等用有意识记的方法将其强记于大脑中。运用模糊记忆的方法，可以大大减轻学生学习的压力，提高他们的学习效率，开阔视野，怡情睿...

模糊联想记忆的一种有效学习算法

本文提出最大－最小合成模糊联想记忆的一种新的学习算法，在一定条件下，这种学习算法能将多个模糊模式对可靠地编码到模糊联想记忆的连接权矩阵中，且已存储的模式对可被完整地回想出来。

训练模式对的摄动对模糊双向联想记忆网络的影响及其控制

训练模式对的小幅摄动可能对模糊神经网络的性能产生副作用,为此文中提出了一般性的模糊神经网络对训练模式对摄动的鲁棒性概念,并就典型的模糊双向联想记忆网络FBAM进行了具体分析.理论研究表明FBAM采用模糊赫布学习算法时该鲁棒性好,而采用新近提出的另一学习算法时,该鲁棒性较差.为此,作者为后一算法提供了一种训练模式对摄动的控制方法,以保证FBAM的这种鲁棒性较好.最后用FBAM在图像联想方面的实验证实了文中的某些理论结果.文中工作对FBAM系统的性能分析、学习算法的选择和模式对获取过程的指导有一定意义.

模糊联想记忆神经网络在土地质量评价中的应用

土地是一个复杂的动态系统，受到众多因素的影响，而影响因素存在很大的模糊性，应用传统的理论和方法进行评价难以得到正确结果。本文提出一种基于模糊联想记忆神经网络的土地质量评价方法，并以实例证实了该方法的简便、快速、客观和实用性。

基于爱因斯坦t-模的模糊联想记忆的学习算法

为神经网络提供有效学习算法是神经网络研究的关键问题。文章利用t-模的伴随蕴涵算子,为基于Max和Tes合成的模糊联想记忆网络Max-TesFAM提供了一种新的学习算法,此处Tes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-TesFAM能完整可靠地存储所给的多个模式对,则该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。

最大─乘积型模糊联想记忆网络的最大最小编码学习算法

提出了最大─乘积型模糊联想记忆网络的最大最小编码学习算法，新算法可以记忆任意多个自联想模式。对于异联想模式，给出了一种以最大最小编码算法为基础，近似求解网络连接权阵的梯度下降学习算法，这种方法可用于解最大乘积型模糊关系方程。计算机模拟实验证实了算法的有效性。

模糊联想记忆神经网络模型在地震预报中的应用

介绍了模糊联想记忆ＦＡＭ（ＦｕｚｚｙＡｓｓｏｃｉａｔｉｖｅＭｅｍｏｒｙ）神经网络模型、ＦＡＭ自适应学习算法以及ＦＡＭ推理机的原理，并成功地将其用于“新一代的地震预报专家系统ＮＧＥＳＥＰ”，使得系统既具有良好的学习功能。

训练模式的摄动对最大——乘积型模糊联想记忆网络的影响

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概念,分析了最大—乘积型模糊联想记忆网络(Max-Product FAM),发现当采用模糊赫布学习算法时它的鲁棒性好,但采用另一学习算法时鲁棒性较差。最后用实验验证了理论结果。

模糊双向联想记忆网络的收敛性

本文讨论模型双向联想记忆 (fuzzybidirectionalassociativememories(FBAMs) )网络的收敛性 .对任意FBAM(n ,m)网络 ,给出了网络收敛的充分必要条件和极限环长度的上界 ,证明了网络由任意初态激发都一定在 (n - 1) 2 +2步内到达某个极限环 ;对由max min学习规则确定的FBAM(n ,m)网络 ,证明了网络由任意初态激发其状态序列都是单调减的 ,且一定在n +1步内收敛 .

一类广义模糊双向联想记忆的稳定性

本文在[3]的基础上引入了一类广义的动态网络模型──带阈值的模糊双向联想记忆，并系统地研究了该网络的稳定性，证明了这个系统对于任意的连接权矩阵和阈值向量是全局稳定的，而系统的平衡态又是Lyapunov稳定的。最后用实例验证了我们的结论。

模糊联想记忆系统规则提取的新方法

基于模糊联想记忆（ＦＡＭ）系统的特点，阐述了一种ＦＡＭ系统规则提取的方法．在已知控制系统输入特征空间的划分时，规则的提取可以转化为聚类平面的问题；当可以确定输出变量的语言值的个数时，首先利用数据各维直方图抽取平衡点处的规则，然后通过聚类平面将其余规则的提取转化为分类器特征空间的划分问题，用树型分类器确定输入特征空间的划分．倒车系统ＦＡＭ控制器的设计证明了该方法的有效性．

基于三角模的模糊双向联想记忆网络的性质研究

基于模糊取大算子和三角模T的模糊合成,构建了一类模糊双向自联想记忆网络Max-T FBAM。利用三角模T的伴随蕴涵算子,为这类Max-TFBAM提出了学习算法,并理论上证明了该学习算法确定的连接权矩阵是网络最大的连接权矩阵。对任意输入能使Max-T FBAM迭代一步内就进入稳定态,该类网络具有全局稳定性和可靠的存储能力。当三角模T满足利普希兹条件时,采用上述学习算法时自联想Max-T FBAM对训练模式的摄动全局拥有好的鲁棒性。最后用实验证实了理论研究,也为图像的可靠存储提供了参考。

基于三角模的模糊联想记忆网络

当T为t-模时,基于模糊取大和T的模糊联想记忆网络(FAM)存在局限性,当T为三角模,是t-模的广义形式,将这种FAM推广成基于Max-T的模糊联想记忆网络Max-TFAM.则Max-TFAM实现了从一个向量空间到另一向量空间的映射,从Max-TFAM的值域角度,分析了它的存储能力,并建立了一个三角模T的伴随蕴涵算子新概念,利用该伴随蕴涵算子,在无需T为连续的、严格增等条件下,提出了Max-TFAM的一个简洁的通用离线学习算法和通用在线学习算法.从理论上严格证明了只要Max-TFAM能完整可靠地存储所给的多个模式对,则这两种算法都能轻易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,用实验证明了Max-TFAM模型和所提出的学习算法的有效性.

基于基因算法的模糊联想记忆设计方法

本文提出了一种用基因算法（ＧＡ）来进行模糊联想记忆（ＦＡＭ）系统设计的方法──基因ＦＡＭ法。同自适应模糊联想记忆（ＡＦＡＭ）和神经网络设计方法相比，该方法不要求有训练样本；而且可以设计出好的ＦＡＭ系统最后，举例说明了该方法的应用。

基于Lukasiewiczt-模的模糊双向联想记忆网络的有效学习算法

利用t-模的伴随蕴涵算子,为基于Max和TL合成的模糊双向联想记忆网络Max-TLFBAM提供了一种新的学习算法,此处TL是Lukasiewiczt-模算子。从理论上严格证明了,只要存在有连接权矩阵对使得任意给定的模式对集成为Max-TLFBAM的平衡态集,则依该学习算法所确定的连接权矩阵对是所有这样的连接权矩阵对中的最大者。并用实验验证该学习算法的有效性。

正则模糊联想记忆

本文提出了一种特殊的模糊联想记忆系统（ＦＡＭ）─正则模糊联想记忆及其学习算法─正则化学习算法．正则模糊联想记忆具有比一般方法所设计的模糊联想记忆更好的性能，且其性能受训练数据不足和训练数据噪声的影响很小．最后，举例说明了正则模糊联想记忆在模糊控制器中的应用．

一种混合模糊联想记忆网络

本文改进了Ｋｏｓｋｏ．Ｂ提出的最大最小联想记忆网络的模糊Ｈｅｂｂ关系编码规则，给出了一种新的学习算法，新算法克服了Ｋｏｓｋｏ．Ｂ算法的缺陷，在一定条件下，本文的学习算法能将模式对完整地联想出来．另外，本文在分析网络的容错性及稳定性的基础上，提出了一种五层混合模糊联想记忆网络，五层混合网络具有良好的联想容错能力．实验结果表明，本文的学习算法及混合网络是有效的．

模糊双向联想记忆网络的有效学习算法

基于模糊取大运算和爱因斯坦s-模提出新的模糊双向联想记忆网络模型(Max-Ses FBAM),并为该网络提出了一种新的学习算法。在理论上严格证明了,任意给定的模式对集,只要存在有连接权矩阵对使其为Max-Ses FBAM的平衡态集,则依该学习算法所确定的连接权矩阵对(,)是所有这样的连接权矩阵对中的最大者;且该最大连接权矩阵对能使Max-SesFBAM对任意输入在一步内就进入平衡态。

一种新颖的模糊形态联想记忆网络

模糊形态联想记忆网络FMAM具有较强的抗膨胀或腐蚀噪声能力,且可以模糊性解释。但抗混合噪声的能力很弱。而在实际中,随机噪声往往是混合型的,既有膨胀又有腐蚀噪声。为此提出了一种基于尺度空间的模糊形态联想记忆网络,并分析了其抗膨胀/腐蚀噪声和抗随机噪声的能力,它提高了自联想FMAM的抗随机噪声能力。通过仿真实验验证了该方法具有良好的性能。

最大-乘积模糊联想记忆的神经网络学习算法

在模糊系统中 ,从某种意义上说 ,乘积关系编码可以比最小关系编码保留更多的信息 .提出了最大乘积模糊联想记忆的一种新的神经网络学习算法 ,并给出了严格的理论证明 .该算法能够将多个模糊模式对可靠地编码存储到尽可能少的连接权矩阵中 ,从而大大地减少存储空间 ,而且容易实现 ,并举例验证了它的有效性 .