论文部分内容阅读
不确定性广泛存在于主观和客观世界中,模糊性和随机性是其中最重要的两种不确定性形式,对不确定性问题的研究是当前人工智能、计算机视觉、模式识别等领域的研究热点和重大前沿课题之一,而模糊神经网络是不确定性问题建模和构建智能系统的重要工具之一。收敛性及鲁棒性是评估一个模糊神经网络的两个重要方面。近年来,国内外部分学者对由模糊取大(Max)和三角模中的T-模构建的模糊Hopfield网络簇模型的稳定性、容错性及鲁棒性进行了细腻地分析,并发现了此模型的众多良好性质,然而对带阈值情况下,模糊神经网络的收敛性以及对训练模式摄动时的鲁棒性及其应用尚未研究。本文主要做了以下工作:首先,提出了带阈值的基于Max和T-模的模糊Hopfield神经网络模型,简记为Max-T-C FHNN;然后对Max-T-C FHNN的收敛性及在训练模式小幅摄动情况下的鲁棒性进行了分析,并从数学上给出了严格的证明,发现了采用最大权值矩阵学习算法时,Max-T-C FHNN具有良好的收敛性,同时当T-模及其蕴含算子满足Lipschitz条件时,Max-T-C FHNN对训练模式摄动全局拥有好的鲁棒性;最后就Max-T-C FHNN在自联想情形进行了实验验证。其次,将模糊神经网络建模方法应用到了图像恢复领域中,提出了一种基于Max-T-C FHNN的图像恢复算法,该算法具有良好的时间复杂度,并取得了一定的恢复效果。