一种基于最大—乘积型合成神经元的模糊联想记忆网络*

本文提出了由最大－乘积型合成神经元的模糊神经网络实现双向双向联想记忆的一种学习方法实现双向联想记忆的充要条件，对于自联想记忆网络，自联想权得由广义模糊解确定，模式联想一次就收敛，该网络具有较强的容错性，大量的计算机实验结果表明该学习算法是行之有效的。     

一种基于广义熵的模糊聚类算法

针对熵模糊聚类算法只考虑特殊的加权指数问题,将广义熵引入到模糊聚类的目标函数,获得一种基于广义熵的模糊聚类模型和模糊聚类算法。将核函数引入到该模糊聚类模型中,提出基于广义熵的核模糊聚类算法。实验研究广义熵模糊聚类算法与核模糊聚类算法,证明当使用熵模糊聚类算法对数据聚类时,选取加权指数大于2的值可获得较好的聚类结果,同时参数对核算法的聚类结果有较大的影响。     

基于广义模糊吉伯斯随机场图像分割新算法

吉伯斯分布作为一种引入图像空间信息的先验模型已广泛运用于贝叶斯图像分割中．然而，由于传统该模型只在确定类上有定义，而在模糊类上未曾涉及，使得在运用该模型对一些模糊图像或退化图像进行处理时，分割效果不理想，甚至无能为力．该文针对这些不足，从模型本身出发，在传统的吉伯斯随机场模型中引入模糊概念，并针对实际多值分割特点，提出一种高效、无监督的广义模糊算法，从而实现对多值图像的精确分割．文中首先介绍一种二值的广义模糊吉伯斯随机场模型；然后将这种二值模型进行多值扩展，提出分段模糊与广义模糊吉伯斯两种实用的多值分割算法；最后将其运用于一系列医学图像分割．实验表明，文中提出的广义模糊分割算法比基于传统随机场的算法有更好的图像分割能力．     

双线性广义模糊增强边界图像检测算法

在模糊集和广义模糊集理论的基础上,给出了用于模糊增强图像区域对比度的线性广义模糊算子,实现了图像的双线性快速无损边界检测算法．该算法利用线性左半梯形模糊分布函数和线性广义模糊算子实现灰度图像空间、普通模糊空间和广义模糊空间之间的转换,同时对广义模糊空间进行区域对比度增强,最后在灰度图像空间中提取边界．大量实例表明：利用文中算法提取图像边界速度快、效果好,并且在多项指标上均超过了Pal算法、陈武凡算法和王晖算法．     

一种广义模糊神经网络的参数解耦学习算法

对于强非线性系统采用分段建模十分有效,广义模糊神经网络能实现这种思想。在此基础上,给出一种模糊规则前、后件参数可分别进行学习的算法,仿真结果表明该方法拟合能力强、学习效率高。     

广义模糊Gibbs随机场与MR图像分割算法研究

为了对图像进行准确、可靠的分割,提出了一种基于广义模糊集的软分割算法,并将广义模糊集和G ibbs场结合起来,提出了广义模糊G ibbs随机场模型,同时建立了广义模糊G ibbs分割(GFGS)算法。该算法是首先把每一个分割类看作是广义模糊类,并以最大后验概率(MAP)为判别准则来决定每一个像素值的归类以及它属于该类的隶属度;然后用广义隶属度函数中负的部分来刻划数据中的异常值,使得该算法能有效地处理异常值;最后用该模糊类的质心来更新类的中心,并以人脑的仿真图像和临床MR图像进行了实验。实验结果表明,该算法能有效地滤除噪声和处理部分容积效应,是一个分割能力强、稳健性好的算法。     

广义模糊推理与广义模糊RBF 神经网络

在提出广义模糊推理概念的基础上,提出并分析了广义模糊径向基(RBF)神经网络模型,给出了该网络的广义学习算法。仿真结果验证了广义模糊RBF神经网络模型具有良好的函数逼近能力,所提出的学习算法是可行和有效的。     

基于改进广义模糊增强的图像分割方法研究

本文提出了一种基于改进广义模糊增强的图像分割方法。该算法就Pal模糊增强算法的不足进行分析,提出一种改进的广义模糊增强算法且将其应用于图像分割中,并就模糊参数选择缺乏理论依据的问题提出一个解决方案。在与各类传统分割方法的分割效果进行比较后,实验结果证明该方法的算法复杂度低,分割速度快且分割质量高。     

广义模糊熵图像阈值分割参数选取的ADE方法

针对广义模糊熵图像阈值分割参数不能自动选取,提出自适应差分进化（Adaptive Differential Evolution,ADE）的广义模糊熵图像阈值分割方法。利用自适应差分进化算法作为优化工具来选取广义模糊熵阈值分割所需要的最佳参数,引入自适应变异算子和提出交叉概率自适应函数对优化过程进行控制,通过把参数带入广义模糊熵的补函数得到图像的阈值,进而得到图像最优分割。为验证其有效性与可行性,分别同基本图像质量评价准则的模糊熵图像阈值分割算法和粒子群优化广义模糊熵图像阈值分割算法相比较,实验表明,针对不同细节的图片,该算法所得分割结果多数情况下背景信息更少,目标信息更清晰,用时更短,分割更稳定且效果良好。     

广义分层混合模糊系统及其泛逼近性

为避免广义模糊系统出现规则爆炸现象, 引进实参数将Mamdani模糊系统和T--S模糊系统统一起来建立广义分层混合模糊系统, 进而给出了广义分层混合模糊系统的数学表示. 此外, 应用方形分片线性函数的优良性质获得该广义分层混合模糊系统在积分模意义下仍具有泛逼近性, 并通过实例及仿真说明该分层混合模糊系统能够避免模糊规则爆炸问题.     

广义二型模糊逻辑系统降型及其采样离散Nie-Tan算法

广义二型模糊逻辑系统在近年来成为学术研究的热点问题,而降型是该系统中的核心模块。最近的研究证明了连续Nie-Tan(CNT)算法是计算区间二型模糊集质心的准确方法。发现了离散Nie-Tan(NT)算法中的求和运算和CNT算法中的求积分运算的内在联系,用2类算法完成基于广义二型模糊集α-平面表达理论的广义二型模糊逻辑系统质心降型。3个计算机仿真实验表明,当适当增加主变量采样点个数时,所提出的基于主变量采样的离散NT算法计算出的广义二型模糊逻辑系统质心降型集和解模糊化值结果可以精确地逼近基准的CNT算法,且采样离散NT算法的计算效率远远高于CNT算法的效率。     

A Prioritized Information Fusion Method for Handling Fuzzy Decision-Making Problems

Although Yager has presented a prioritized operator for fuzzy subsets, called the non-monotonic operator, it can not be used to deal with multi-criteria fuzzy decision-making problems when generalized fuzzy numbers are used to represent the evaluating values of criteria. In this paper, we present a prioritized information fusion algorithm based on the similarity measure of generalized fuzzy numbers. The proposed prioritized information fusion algorithm has the following advantages: (1) It can handle prioritized multi-criteria fuzzy decision-making problems in a more flexible manner due to the fact that it allows the evaluating values of criteria to be represented by generalized fuzzy numbers or crisp values between zero and one, and (2) it can deal with prioritized information filtering problems based on generalized fuzzy numbers.     

广义模糊粗糙集在模糊信息约简中的应用

针对数据集为模糊值时冗余信息难于消除的问题,提出了基于模糊相似关系的广义模糊粗糙集与QuickReduct算法相结合的方法。利用广义模糊粗糙集数据相似程度对属性值为实数值的数据集合进行约简,不需要预先对原始数据集合进行离散化,约简结果能更完整地反映原信息系统的分类能力。同时算法中利用了启发式信息,使模糊依赖性增加较快的属性作为最小约简。计算实例验证了该方法的有效性。     

GHFHC: Generalized Hesitant Fuzzy Hierarchical Clustering Algorithm

Dealing with uncertainty is an undeniable challenge in the real‐world problems. In this paper, we focus on hesitant environment such as generalized hesitant fuzzy sets introduced by Qian et al. So we propose a new generalized hesitant fuzzy hierarchical clustering (GHFHC) algorithm based on Atanassov's intuitionistic fuzzy set theory. We extend conventional hierarchical clustering, which just works on the crisp data, and introduce a clustering algorithm, which can be applied on large data set with generalized hesitant fuzzy data. The run time of the GHFHC algorithm shows that its computational complexity will be low. Also, the GHFHC algorithm produces the clusters with arbitrary shapes by using the various distance measures. Finally, an example is provided to illustrate the practicality of the proposed algorithm.     

Double indices-induced FCM clustering and its integration with fuzzy subspace clustering

As one of the most popular algorithms for cluster analysis, fuzzy c-means (FCM) and its variants have been widely studied. In this paper, a novel generalized version called double indices-induced FCM (DI-FCM) is developed from another perspective. DI-FCM introduces a power exponent r into the constraints of the objective function such that the fuzziness index m is generalized and a new criterion of selecting an appropriate fuzziness index m is defined. Furthermore, it can be explained from the viewpoint of entropy concept that the power exponent r facilitates the introduction of entropy-based constraints into fuzzy clustering algorithms. As an attractive and judicious application, DI-FCM is integrated with a fuzzy subspace clustering (FSC) algorithm so that a new fuzzy subspace clustering algorithm called double indices-induced fuzzy subspace clustering (DI-FSC) algorithm is proposed for high-dimensional data. DI-FSC replaces the commonly used Euclidean distance with the feature-weighted distance, resulting in having two fuzzy matrices in the objective function. A convergence proof of DI-FSC is also established by applying Zangwill’s convergence theorem. Several experiments on both artificial data and real data were conducted and the experimental results show the effectiveness of the proposed algorithm.