模糊联想记忆网络的全局鲁棒性研究——基于爱因斯坦t-模

计算机工程与应用 ›› 2014, Vol. 50 ›› Issue (5): 96-100.

• 数据库、数据挖掘、机器学习 • 上一篇下一篇

模糊联想记忆网络的全局鲁棒性研究——基于爱因斯坦t-模

高翔1，马亨冰2

1.福州大学数学与计算机科学学院，福州 350108
2.福建省经济中心，福州 350003

出版日期:2014-03-01 发布日期:2015-05-12

Analysis of robustness of fuzzy associative memory based on Einstain’s t-norm

GAO Xiang1, MA Hengbing2

1.College of Mathematics and Computer Science, Fuzhou University, Fuzhou 350108, China
2.Economic Center of Fujian Province, Fuzhou 350003, China

Online:2014-03-01 Published:2015-05-12

摘要/Abstract

摘要： 利用三角模的模糊联想记忆网络的性质以及模糊联想记忆网络的鲁棒性定义，对基于爱因斯坦t-模构建的模糊双向联想记忆网络的学习算法的全局鲁棒性进行了分析。从理论上证明了当训练模式的摄动为正向摄动时，该学习算法可以保持良好的鲁棒性，并用实验验证了该结论；而当摄动存在负向波动时该学习算法不满足全局鲁棒性。然后又进一步对训练模式集摄动最大摄动与输出模式集的最大摄动之间的关系进行研究，得出了训练模式集的最大摄动与输出模式集的最大摄动之间的关系曲线。

关键词: 爱因斯坦t-模, 糊联想记忆网络, 学习算法, 全局鲁棒性

Abstract: The paper analyses the robustness of learning algorithm for fuzzy associative memory based on Einstain’s t-norm by using the properties of fuzzy bidirectional associative memories based on triangular norms and the overall situation robustness of fuzzy bidirectional associative memories. The conclusion that the learning algorithm can keep good overall robustness when the perturbations are positive is proved in theory and verified by experiment in this paper. And that the learning algorithm doesn’t satisfy overall situation robustness when the noise contains negative value is proved by experiment. What is more, the relation between the maximum of perturbations of training patterns and the maximum of perturbations of the output is also analyzed and the relation curve is gotten.

Key words: Einstain t-norm, fuzzy bidirectional associative memory, learning algorithm, overall situation robustness

高翔1，马亨冰2. 模糊联想记忆网络的全局鲁棒性研究——基于爱因斯坦t-模[J]. 计算机工程与应用, 2014, 50(5): 96-100.

GAO Xiang1, MA Hengbing2. Analysis of robustness of fuzzy associative memory based on Einstain’s t-norm[J]. Computer Engineering and Applications, 2014, 50(5): 96-100.

[1]	杨薛钰，陈建平，傅启明，陆悠，吴宏杰. 基于随机方差减小方法的DDPG算法[J]. 计算机工程与应用, 2021, 57(19): 104-111.
[2]	周涛，陆惠玲，霍兵强. 深度信念网络研究进展[J]. 计算机工程与应用, 2020, 56(9): 24-32.
[3]	宋丽丽，李彬，赵俊雅，刘国峰. 正态重采样的改进行人再识别度量学习算法[J]. 计算机工程与应用, 2020, 56(8): 158-165.
[4]	陈晔，刘志强. 基于LFM矩阵分解的推荐算法优化研究[J]. 计算机工程与应用, 2019, 55(2): 116-120.
[5]	曾添，杨德刚. 运用PSO算法的自递归RBF网络建模与应用[J]. 计算机工程与应用, 2019, 55(13): 172-177.
[6]	吕宗磊1，2，陈国明2. 航班备降概率分布预测模型研究[J]. 计算机工程与应用, 2017, 53(20): 259-264.
[7]	刘斌1，何进荣1，耿耀君1，王最2. 并行机器学习算法基础体系前沿进展综述[J]. 计算机工程与应用, 2017, 53(11): 31-38.
[8]	张晓芳1，谢俊2. 可控家用电器负荷优化模型及用电策略研究[J]. 计算机工程与应用, 2016, 52(24): 246-250.
[9]	臧兆祥1，2，李昭1，2，王俊英1，2，但志平1，2. 基于平均奖赏强化学习算法的零阶分类元系统[J]. 计算机工程与应用, 2016, 52(21): 14-20.
[10]	侯旋. 量子门线路神经网络及其改进学习算法研究[J]. 计算机工程与应用, 2014, 50(6): 213-218.
[11]	黄全亮1，刘水清1，孙金海2，陈柯1. 融合学习算法的单帧图像超分辨率复原[J]. 计算机工程与应用, 2013, 49(23): 186-190.
[12]	张强，许少华，李盼池. 对传过程神经元网络在油井故障诊断中的应用[J]. 计算机工程与应用, 2013, 49(2): 9-12.
[13]	张强，许少华，李盼池. 分式过程神经元网络在网络流量预测中的应用[J]. 计算机工程与应用, 2012, 48(35): 62-66.
[14]	王海珍1，廉佐政2，滕艳平1. 智能办公环境中多Agent模糊Q学习研究[J]. 计算机工程与应用, 2012, 48(18): 231-235.
[15]	刘丽杰1，李盼池2，李欣2，张强2. 离散过程神经网络在时间序列预测中的应用[J]. 计算机工程与应用, 2011, 47(32): 224-227.

模糊联想记忆网络的全局鲁棒性研究——基于爱因斯坦t-模

Analysis of robustness of fuzzy associative memory based on Einstain’s t-norm

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics