参数化模糊联想记忆网络的学习算法

doi:10.3778/j.issn.1002-8331.2009.12.014

计算机工程与应用 ›› 2009, Vol. 45 ›› Issue (12): 45-46.DOI: 10.3778/j.issn.1002-8331.2009.12.014

参数化模糊联想记忆网络的学习算法

唐良荣¹,吴建华¹,徐蔚鸿^1,2

1.长沙理工大学计算机与通信工程学院，长沙 410077
2.吉首大学数学与计算机科学学院，湖南吉首 416000

收稿日期:2008-03-10 修回日期:2008-06-03 出版日期:2009-04-21 发布日期:2009-04-21
通讯作者: 唐良荣

Learning algorithm for parameterized fuzzy associative memory

TANG Liang-rong¹,WU Jian-hua¹,XU Wei-hong^1,2

1.College of Computer and Communications Engineering，Changsha University of Science and Technology，Changsha 410077，China
2.College of Mathematics and Computer Science，Jishou University，Jishou，Hunan 416000，China

Received:2008-03-10 Revised:2008-06-03 Online:2009-04-21 Published:2009-04-21
Contact: TANG Liang-rong

摘要/Abstract

摘要： 基于Dubois提出的带参数ξ的t-模T_ξ，提出了一种参数化的广义模糊联想记忆网络Max-T_ξ FAM。由于T_ξ中参数ξ的作用，在应用中Max-T_ξ FAM有更强的可调性和灵活性。接着利用T_ξ的伴随蕴涵算子，提出了Max-T_ξ FAM的一种有效学习算法。从理论上严格证明了，只要Max-T_ξ FAM能完整可靠地存储所给的多个模式对，则所提出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。

关键词: 伴随蕴涵算子, 模糊联想记忆网络, 学习算法, t-模

Abstract: Based on fuzzy composition of maximum operation and a t-norm T_ξ with a parameter ξ proposed by Dubois，a parameterized general fuzzy associate memory Max-T_ξ FAM is presented in this paper.By adjusting parameter ξ，the Max-T_ξ FAM has good adaptability and flexibility in practice.Taking advantage of the concomitant implication operator of T_ξ，a simple effective learning algorithm is proposed for the Max-T_ξ FAM.It is proved theoretically that，for arbitrary given training pattern pairs，if the Max-T_ξ FAM has ability to store them reliably and completely，then the proposed learning algorithm can find the maximum of all connected weight matrices which can ensure that the Max-T_ξ FAM stores reliably these pattern pairs.Finally an experiment is given to illustrate the effectivity of the presented learning algorithm.

Key words: concomitant implication operator, fuzzy associative memory, learning algorithm, t-norm

唐良荣¹,吴建华¹,徐蔚鸿^1,2. 参数化模糊联想记忆网络的学习算法[J]. 计算机工程与应用, 2009, 45(12): 45-46.

TANG Liang-rong¹,WU Jian-hua¹,XU Wei-hong^1,2. Learning algorithm for parameterized fuzzy associative memory[J]. Computer Engineering and Applications, 2009, 45(12): 45-46.

[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]	王娜，吴洪博. WBR0-代数的Pt-模和Ps-模表示[J]. 计算机工程与应用, 2014, 50(9): 49-52.
[11]	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.
[12]	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.
[13]	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.
[14]	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.
[15]	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.

参数化模糊联想记忆网络的学习算法

Learning algorithm for parameterized fuzzy associative memory

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