模糊Hopfield網(wǎng)絡(luò)的魯棒性控制及其應(yīng)用.pdf_第1頁
已閱讀1頁,還剩49頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進行舉報或認領(lǐng)

文檔簡介

1、不確定性廣泛存在于主觀和客觀世界中,模糊性和隨機性是其中最重要的兩種不確定性形式,對不確定性問題的研究是當前人工智能、計算機視覺、模式識別等領(lǐng)域的研究熱點和重大前沿課題之一,而模糊神經(jīng)網(wǎng)絡(luò)是不確定性問題建模和構(gòu)建智能系統(tǒng)的重要工具之一。收斂性及魯棒性是評估一個模糊神經(jīng)網(wǎng)絡(luò)的兩個重要方面。近年來,國內(nèi)外部分學者對由模糊取大(Max)和三角模中的T-模構(gòu)建的模糊Hopfield網(wǎng)絡(luò)簇模型的穩(wěn)定性、容錯性及魯棒性進行了細膩地分析,并發(fā)現(xiàn)了此模

2、型的眾多良好性質(zhì),然而對帶閾值情況下,模糊神經(jīng)網(wǎng)絡(luò)的收斂性以及對訓(xùn)練模式攝動時的魯棒性及其應(yīng)用尚未研究。本文主要做了以下工作:
   首先,提出了帶閾值的基于Max和T-模的模糊Hopfield神經(jīng)網(wǎng)絡(luò)模型,簡記為Max-T-CFHNN;然后對Max-T-CFHNN的收斂性及在訓(xùn)練模式小幅攝動情況下的魯棒性進行了分析,并從數(shù)學上給出了嚴格的證明,發(fā)現(xiàn)了采用最大權(quán)值矩陣學習算法時,Max-T-CFHNN具有良好的收斂性,同時當T-

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責。
  • 6. 下載文件中如有侵權(quán)或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論