人工神经网络的模糊学习方法

提出一种基于模糊熵准则的人工神经网络的模糊学习方法。     

自组织神经网的多准则学习方法研究

本文提出了一种基于模糊熵准则和误差平方和准则的多准则自适应学习算法，可在一定程度上克服单准则教师学习的局限性。     

神经网的自适应学习准则及其算法

无教师学习的网络具有较强强的自适应学习能力。本文讨论神经网络的自适应学习准则，包括误差平方和准则、相关准则和模糊熵准则，同时给出相应的学习算法。     

基于直觉模糊熵的直觉语言多准则决策方法

针对现有直觉模糊熵方法中存在的一些问题,提出一种新的直觉模糊熵,并将其与现有的几种直觉模糊熵计算结果进行比较.针对准则权重信息不完全且准则值为直觉语言数的多准则决策问题,通过建立基于模糊熵的决策模型来求解准则的最优权系数,并利用直觉语言加权算数平均算子(IL-WAA)求出方案的综合准则值,进而由直觉语言数的记分函数确定方案的排序.最后,通过算例分析验证了该方法的有效性和合理性.     

基于模糊熵和证据推理的语言?? 数多准则决策方法

定义了语言??数及其模糊熵, 提出了基于模糊熵和证据推理的多准则决策方法, 以解决准则权系数信息不完全确定的语言??数多准则决策问题. 所提方法通过建立基于语言??数模糊熵的线性规划模型来得到准则的最优权系数, 利用证据推理算法确定方案的综合准则值, 进而得出最优方案. 最后通过实例验证了所提出方法的有效性和可行性.

     

基于熵权直觉模糊拓展MULTIMOORA的机场消防站选址评价模型

针对准则权重信息完全未知的直觉模糊多准则群决策问题,考虑经典直觉模糊熵公式及MULTIMOORA模型的不足,提出新的直觉模糊熵公式以充分刻画直觉模糊数的直觉信息和模糊信息,定义占优凸组合运算,拓展解决多准则决策问题的MULTIMOORA模型以适用于解决多准则群决策问题.在以直觉模糊数为信息输入的系统框架内,构建机场消防站选址评价指标体系,进而提出基于熵权直觉模糊拓展MULTIMOORA的机场消防站选址评价模型.案例分析表明了所提出方法的可行性,为机场消防站选址评价提供了一种新思路.     

基于期望值-混合熵的区间概率模糊随机多准则决策方法

定义了区间概率模糊随机变量及其期望值和混合熵.针对准则权重确知并且准则值为区间概率模糊随机变量的多准则决策问题,提出一种基于期望值-混合熵的决策方法.该方法首先给出了区间概率模糊随机变量的期望值-混合熵度量;然后基于此度量建立优化模型,通过计算得到各方案的期望值-混合熵区间;再采用可能度的方法得到方案集的排序.最后通过实例说明了该方法的有效性和可行性.     

系数型指数模糊熵在图像增强中的应用

在研究已有模糊熵的基础上,提出了一种系数型指数模糊熵的图像增强方法。先将图像进行模糊划分后变换到模糊域,然后利用提出的模糊熵计算图像的模糊熵,并且在最大熵准则下用模拟退火算法求取最佳阀值,利用增强算子进行图像增强。实验结果表明,该算法对图像有一定的增强效果。     

区间犹豫模糊熵和区间犹豫模糊相似度

基于犹豫模糊熵的概念,提出了区间犹豫模糊熵和相似度的概念,同时研究了它们之间的相互关系。给出了区间犹豫模糊熵的公理化定义,在此基础上构造了两种形式的熵测度公式,并且证明了它们满足区间犹豫模糊熵的四条公理化准则;依据区间犹豫模糊熵引入了区间犹豫模糊加权熵的概念;提出了区间犹豫模糊相似度的概念,并且研究了区间犹豫模糊环境下的熵和相似度之间的关系。     

一种加权直觉模糊熵分割法

针对现有的直觉模糊熵阈值法对于光照不均匀图像的分割很不理想,提出了一种新的加权直觉模糊熵,将其应用于图像分割最佳阈值的选取,最后给出了加权直觉模糊熵阈值化准则的权重选取方法。实验结果表明,该加权直觉模糊熵阈值法是可行的,可以弥补现有直觉模糊熵阈值法的不足。     

一种基于多目标的自组织神经网络学习方法

自组织神经网络又称为无教师指导学习网络，可以自动地从环境中学习、获取知识、从而具有较强的自适应能力。目前，自组织神经网络在图象理解、模式识别、智能机器人控制等领域得到越来广泛的应用。但是，由于目前大部分组织神经网络都采用单准则无教师指导学习方法，从而导致了神经网络学习效率低等问题，这在一程度上影响了自组织神经网络更加广泛的有效应用。为此，本文提出了一种基于模糊熵准则和误差平方和准则的多目标（准则）自组织神经网络学习算法，该算法可以克服单准则无教师指导学习方法所存在的局限性，实验结果表明：该算法是有效的，并且较其它自组织神经网络学习方法，无论在学习效率上，还是在网络优化上，都具有很大的优越性。     

基于定性基准变换的模糊隶属度表示法

在基准拓扑空间中进行的基准变换，在扰动系数映射调节下，可以构成集合套，从而可以确定一个模糊集，最后得到隶属度的一个基于定性基准变换的表示法。     

神经模糊系统中模糊规则的优选

提出一种基于两级聚类算法的自组织神经模糊系统，该系统采用两级聚类算法（改进的最近邻域聚类算法和Gustafson-Kessel模糊聚类算法）对输入／输出数据进行模糊聚类，并由模糊聚类的划分熵确定最优划分，建立模糊模型，模型精度可由梯度下降法进一步提高。仿真结果表明，这种神经模糊系统具有结构简单、规则数少、学习速度快以及建模精度高等特点。     

Correlation between learning (probability of success) and fuzzy entropy in control of intelligent robot's part macro-assembly tasks with sensor fusion techniques

A correlation between a learning and a fuzzy entropy, using the control of robotic part macro-assembly (part-bringing) task as an example, is introduced. Two intelligent part-bringing algorithms, to bring a part from an initial position to an assembly hole or a receptacle (target or destination) for a purpose of a part mating in a partially unknown environment containing obstacles, related to a robotic part assembly task are introduced. An entropy function, which is a useful measure of the variability and the information in terms of uncertainty, is introduced to measure its overall performance of a task execution related to the part-bringing task. The degree of uncertainty associated with the part-bringing task is used as an optimality criterion, e.g. minimum entropy, for a specific task execution. Fuzzy set theory, well-suited to the management of uncertainty, is used to address the uncertainty associated with the macro-assembly procedure. In the first algorithm, a macro-assembly, locating various shaped assembly holes (targets) in the workspace corresponding to the shapes of the parts and then bringing the part to the corresponding target, despite existing obstacles is introduced. This is accomplished by combining a neural network control strategy coordinating with a mobile rectilinear grid composed of optical sensors as well as fuzzy optimal controls. Depending on topological relationships among the part's present position, the position of obstacles, and the target position in the workspace, a specific rulebase from a family of distinct fuzzy rulebases for avoiding obstacles is activated. The higher the probability, the input pattern (or value) of the neural network to be identified as the desired output is, the lower the fuzzy entropy is. Through the fuzzy entropy, a degree of identification between the input pattern and the desired output of the neural network can be measured. In the second algorithm, a macro-assembly with a learning algorithm and a sensor fusion for bringing the part to the target is introduced. By employing a learning approach, the uncertainty associated with the part-bringing task is reduced. The higher the probability of success is, the lower the fuzzy entropy is. The results show clearly the correlation between a probability of success related to the task execution of the part-bringing and the fuzzy entropy, and also show the effectiveness of above methodologies. The proposed technique is not only a useful tool to measure the behaviour of the learning but applicable to a wide range of robotic tasks including motion planning, and pick and place operations with various shaped parts and targets.     

广义模糊熵阈值法中基于粒子群优化的参数选取

针对广义模糊熵图像阈值分割法中参数m的选取问题,提出一种利用优化算法自适应选取参数的广义模糊熵阔值分割方法.该方法通过粒子群优化算法,依据图像分割质量评价准则对参数m在(0,1)区间进行全局寻优,并依据广义模糊熵最大准则对S型隶属度函数中的3个参数(a,b,d)进行全局组合寻优,从而实现了广义模糊熵图像阈值分割方法的自动阈值选取.实验结果表明,该方法对光照不均匀图像具有更好的分割效果.     

基于熵的模糊信息测度研究

模糊信息测度(Fuzzy Information Measures,FIM)是度量两个模糊集之间相似性大小的一种量度,在模式识别、机器学习、聚类分析等研究中,起着重要的作用.文中对模糊测度进行了分析,研究了基于熵的模糊信息测度理论:首先,概述了模糊测度理论,指出了其优缺点;其次,基于信息熵理论,研究了模糊熵理论,建立了模糊熵公理化体系,讨论了各种模糊熵,在此基础上,提出了模糊绝对熵测度、模糊相对熵测度等模糊熵测度;最后,基于交互熵理论,建立了模糊交互熵理论,进而提出了模糊交互熵测度.这些测度理论,不仅丰富与发展了 FIM理论,而且为模式识别、机器学习、聚类分析等理论与应用研究提供了新的研究方法.     

模糊熵在车载环境下语音端点检测中的应用

为了提高车载噪声环境下语音端点检测的准确性,介绍了一种新的时间序列复杂性测度：模糊熵,并将其应用于语音信号的特征提取。分别以样本熵和模糊熵提取含噪语音信号的特征,使用双门限法对语音信号进行端点检测,特征门限值使用模糊C均值聚类算法和贝叶斯信息准则算法确定。仿真结果表明在车载噪声环境下与样本熵算法相比,模糊熵算法能更好地区分噪声信号和语音信号,具有更好的端点检测性能,相同环境下模糊熵算法的错误率比样本熵算法降低了16%以上。     

直觉模糊熵的几何构造方法及其应用

针对直觉模糊集中模糊性和直觉性对不确定信息的综合影响以及直觉模糊熵连续变化等问题,提出2种直觉模糊熵的几何构造方法,完善传统直觉模糊熵的构造准则。利用几何方法,分别通过建立等熵平面和等熵圆弧,结合距离构造2种新的直觉模糊熵,并证明其相关性质。论述直觉模糊熵的一般构造方法,对算例与现存的一些熵公式进行比较分析。将直觉模糊熵应用到多属性决策中,验证该方法的正确性和合理性。     

基于极大模糊熵原理的模糊产生式规则中的权重获取方法研究

模糊产生式规则（IF-THEN规则）是不确定性知识表示的一种最基本的最常用的形式,在模糊规则中引入权重,能增强模糊规则对待分类示例的泛化能力．模糊产生式规则的一项重要研究工作就是权重如何获取．目前常用的权重获取准则是依据于训练精度的提高,这种方法的明显不足就是会引起过度拟合．因此,提出了一种新的基于极大模糊熵原理的权重获取准则．在保证不降低训练精度的前提下,调整权重来极大化训练集的模糊熵,能有效提高测试精度．新的权重获取策略有效解决了过度拟合问题,同时提高了测试精度．     

一种基于模糊熵的模糊分类算法

在模糊ID3算法中,用模糊分类熵选择扩展属性,以自顶向下的方式递归地构建模糊决策树,对数据进行分类。提出了一种基于属性模糊熵的模糊分类算法,不同于模糊ID3算法,模糊条件属性的模糊熵作为权值用来对相对模糊频率进行加权,综合考虑各个模糊条件属性对分类的贡献。实例分析和实验结果表明了这一算法的有效性。