基于神經(jīng)模糊的模式識(shí)別的幾個(gè)問題的研究.pdf

1、模式識(shí)別技術(shù)是人工智能的重要研究內(nèi)容?；诟鞣N技術(shù)，幾十年來各種不同的模式識(shí)別方法得到了廣泛的研究。其中，隨著神經(jīng)模糊技術(shù)的發(fā)展，基于神經(jīng)模糊技術(shù)的模式識(shí)別方法也得到了長足的發(fā)展，引起了眾多學(xué)者的廣泛關(guān)注，形成一個(gè)獨(dú)特的研究方向：神經(jīng)模糊模式識(shí)別技術(shù)。目前，基于神經(jīng)模糊技術(shù)的模式識(shí)別及其相關(guān)技術(shù)已經(jīng)得到了較深入的研究，一些成果已成功高效地應(yīng)用于不同的領(lǐng)域。雖然如此，該類技術(shù)依然面臨著許多重大的挑戰(zhàn)。其中幾個(gè)關(guān)鍵的挑戰(zhàn)是：1)如何構(gòu)建更魯

2、棒的神經(jīng)模糊模式識(shí)別算法。2)如何開發(fā)基于新模型的神經(jīng)模糊模式識(shí)技術(shù)。3)如何把神經(jīng)模糊模式識(shí)別及其相關(guān)技術(shù)應(yīng)用于更廣泛的領(lǐng)域.如生物信息學(xué)、計(jì)算機(jī)視覺等。 針對上述的挑戰(zhàn)，本課題進(jìn)行了相關(guān)的研究。所研究內(nèi)容主要涉及三個(gè)部分，分述如下。 第一部分，包含第二章到第五章，主要探討了魯棒的神經(jīng)模糊模式識(shí)別技術(shù)。具體地，第二章針對模糊聚類神經(jīng)網(wǎng)絡(luò)FCNN對例外點(diǎn)敏感的缺陷，通過引入Vapnik'sε-不敏感損失函數(shù)，重新構(gòu)造網(wǎng)絡(luò)

3、的目標(biāo)函數(shù)，并根據(jù)拉格朗日優(yōu)化理論推導(dǎo)出新的魯棒模糊聚類神經(jīng)網(wǎng)絡(luò)及其算法RFCNN。第三章針對極大熵聚類算法MEC對例外點(diǎn)較敏感和不能標(biāo)識(shí)例外點(diǎn)之缺陷，提出了一種魯棒的極大熵聚類算法RMEC。第四章提出了一種較魯棒的基于視覺原理和WEBER定律的TSK模糊系統(tǒng)建模方法。第五章提出了一種新的級(jí)聯(lián)MLP神經(jīng)網(wǎng)絡(luò)CATSMLP。證明了CATSMLP神經(jīng)網(wǎng)絡(luò)等價(jià)于一種特殊的基于演繹模糊推理的級(jí)聯(lián)模糊推理系統(tǒng)CATSFIS；由于級(jí)聯(lián)模糊邏輯推理較

4、之于if-then模糊邏輯推理對噪聲的干擾具有較小的誤差上界，從而推導(dǎo)出CATSMLP神經(jīng)網(wǎng)絡(luò)較ATSMLP具有更好的魯棒性。 第二部分，包含第六章到第八章，主要探討了基于球模型的神經(jīng)模糊模式識(shí)別技術(shù)。具體地，第六章提出了一種基于核化技術(shù)的模糊核超球感知器分類算法，該算法通過核化技術(shù)把樣本數(shù)據(jù)映射到高維特征空間，并利用超球感知器學(xué)習(xí)尋找高維特征空間的決策超球，從而得到各類樣本的決策函數(shù)。第七章基于最小最大概率策略和模糊技術(shù)提出了

5、一種新的分類學(xué)習(xí)機(jī)：模糊超橢球?qū)W習(xí)機(jī)MPFHM。第八章探討了壓縮集密度估計(jì)器RSDE和最小包含球MEB之間的關(guān)系，證明了RSDE能被視為一個(gè)特殊的MEB問題。進(jìn)一步引入基于核集的最小包含球逼近策略開發(fā)出了快速的壓縮集密度估計(jì)器FRSDE，并有效地應(yīng)用于分類、建模及圖像分割。 第三部分，即第九章，基于模糊推理規(guī)則提出了一種具有自適應(yīng)學(xué)習(xí)功能的自動(dòng)彈性圖像配準(zhǔn)方法。進(jìn)一步地，把形變視頻跟蹤看作一個(gè)動(dòng)態(tài)圖像配準(zhǔn)問題，提出的彈性配準(zhǔn)方法