前向正则模糊神经网络依K-积分模的泛逼近能力

针对前向正则模糊神经网络引进K-拟可加积分和K-积分模概念,应用积分转换定理研究了该网络在K-积分模意义下对模糊值简单函数类的泛逼近能力,进而在有限K-拟可加测度空间上,借助模糊值简单函数为桥梁获得了前向正则模糊神经网络依K-积分模对(u)-可积有界模糊值函数类仍具有泛逼近性.该结果表明前向正则模糊神经网络对连续模糊系统的逼近能力可以推广为对一般可积系统的逼近能力.     

三层前向神经网络的一致逼近性

近年来，前向神经网络泛逼近的一致性分析一直为众多学者所重视。本文系统分析三层前向网络对于拟差值保序函数族的一致逼近性，其中，转换函数σ是广义Sigmoidal函数。并将此一致性结果用于建立一类新的模糊神经网络(FNN)，即折线FNN．研究这类网络对于两个给定的模糊函数的逼近性，相关结论在分析折线FNN的泛逼近性时起关键作用。     

正则模糊神经网络在Sugeno积分模意义下的泛逼近性

首先,给出了可加模糊测度空间上Sugeno积分模的定义。然后证明了正则模糊神经网络依Sugeno积分模对模糊值函数来讲具有泛逼近性。     

基于三Ι算法的模糊系统及其响应性能

给出了基于三Ⅰ算法和α-三Ⅰ算法的几种典型模糊系统的插值表达式．指出,基于三Ⅰ算法和α-三Ⅰ算法的模糊系统对于某些蕴涵算子具有函数逼近的泛性,而对于不少蕴涵算子只具有阶跃输出能力,而不具有函数逼近的泛性．此外,证明了基于三Ⅰ算法的模糊系统在一定条件下对于模糊逻辑系统中推理与聚合的次序交换无关．     

高斯型模糊前向神经网络

利用高斯型隶属函数和采样数据得到了三层模糊前向神经网络。该网络模型利用权值直接确定法得到了最优权值,并依据采样数据中的插值样本较好确定了单隐层神经元个数。该网络是近似插值神经网络。仿真实验表明,高斯型模糊前向神经网络具有逼近精度高、网络结构简单、良好的去噪性和实时性高等优点。     

基于输入-输出数据的重心法模糊系统及其泛逼近性

研究基于输入-输出数据的重心法模糊系统及其泛逼近性.首先,将一组单输入-单榆出数据转换成模糊推理规则,通过选择适当的模糊蕴涵算子生成模糊关系,再利用这种模糊关系求出二雄随机变量的联合概率密度函数.当将模糊蕴涵分别取为Larsen蕴涵和Mamdani蕴涵时,分别得到了两种具体的概率密度函数(称之为Larsen分布和Mamdani分布).其次,利用这两种概率分布.分别求出了对应的两种回归函数,指出这种回归函数实际上是模糊控制中的重心法模糊系统.我们分别给出了这种模糊系统具有泛逼近性的充分条件.从而进一步揭示了模糊系统的概率论意义.     

前向神经网络逼近误差估计

构造了一种前向神经网络并研究了其对连续函数以及Lp可积函数的逼近误差,去掉了以前的文献中要求激活函数为奇函数的限制,提出了新的网络参数的设置.此外,进一步研究了该神经网络参数设置与逼近误差之间的关系,给出了此类神经网络逼近所能达到的误差上确界.与此同时,数值实验的结果显示该网络的逼近效果优于已有结果.     

具有函数的泛逼近性能的模糊控制器的设计

构造出9类具有函数的泛逼近性能的模糊控制器,这些模糊控制器均由模糊蕴涵算子构造而成.利用倒车仿真说明采用具有函数的泛逼近性能的模糊控制器可以用于实际的模糊控制系统中.     

球面神经网络的构造与逼近

研究球面神经网络的构造与逼近问题.利用球面广义的de la Vallee Poussin平均、球面求积公式及改进的单变量Cardaliaguet-Euvrard神经网络算子,构造具logistic激活函数的单隐层前向网络,并给出了Jackson型误差估计.     

可调激活函数递进提升输出维的选参方法

针对一类变参数 Sigmoid可调激活函数构成三层前向神经网络 ,分析其可调激活函数中参数所表示意义 ;给出了递进提升输出向量空间维数的可调变参数激活函数中参数选取的方法 ,解决了隐含神经元采用相同激活函数限制了神经网络逼近能力这一问题 .其目的给人们在采用变参数可调激活函数神经网络解决问题时 ,如何选取激活函数中的参数提供了一种数学依据和方法 .