29264.一般模糊極小極大神經網絡的改進及應用研究

1、ResearchonImprovedGeneralFuzzyMin—MaxNeuralNetworkandIt’SApplicationAThesisSubmittedtoNingxiaUniversityInpartialfulfillmentoftherequirementforthedegreeofMasterofScienceinAppliedMathematicsbyGaoZhiwenSupervisor：AssociateP

2、rofessorLiFengjunMarch，2014摘要近幾年，模糊理論和神經網絡技術是人工智能研究領域中的兩個熱點將二者有機的結合起來，形成了模糊神經網絡(FuzzyNeuralNetwork簡稱“FNN”)FNN就是具有模糊權系數或者輸入信號是模糊量的神經網絡FNN吸取了人工神經網絡和模糊理論的優(yōu)點，它在處理非線性、模糊輸入等難題上有很大的優(yōu)勢，并且在處理智能信息上具有很大的潛力在FNN基礎上又發(fā)展了一般模糊極小極大神經網絡(Ge

3、neralFuzzyMin—MaxNeuralNetwork，簡稱“GFMN”)，此網絡是～種具有鮮明特征的網絡，它是FNN分類和聚類的融合本文主要由兩部分組成：第～部分是對GFMN的概述；第_二部分是對GFMN的改進，并將其應用于企業(yè)資信評估中GFMN的主要優(yōu)點是利用超盒可以同時處理標記數據和未標記數據，學習部分標識的數據在模式識別系統(tǒng)中是非常重要的一環(huán)，當然怎么有效的識別未標識數據也是必不可少的但是該網絡也存在一些缺陷，不能夠完全聚

4、類和自適應在線學習，其訓練樣本仍然需要部分標識出來；當遇到新的類時，則只能將其全部歸為未知的類，進而無法達到聚類的預期效果本文提出改進后的GFMN正好填補了這一不足。在學習實驗樣本過程中，網絡試圖包含這個實驗樣本于已存在的同一類的超盒中，超盒的大小將會改變，那么這個過程被稱為超盒擴張若超盒擴張不存在，則網絡加入一個新的超盒，并且屬于同一類的超盒的聚合形成一個完整的類通過修改其結構和學習算法，實現了加入新類或刪除一個已存在類功能的GFMN