规则摄动时模糊蕴涵算子对模糊推理的鲁棒性的影响

列举了模糊规则发生摄动的常见情形,建立了一般性的模糊推理算法对规则摄动的鲁棒性的概念;就多重、链式和多维模糊推理情形,重点研究了一般性的模糊蕴涵算子对几个重要的模糊推理算法的这种鲁棒性的影响,并分别给出了相应的充分必要条件;初步尝试了通过一定的摄动制约来改善这种鲁棒性;同时指出了很多现有的模糊蕴涵算子使得所讨论的这些推理算法拥有好的鲁棒性,此时,即使规则中的隶属度有适度的粗糙或摄动,推理仍是可行的、安全的．文中工作对模糊系统的分析、模糊蕴涵算子的选择以及规则获取过程有一定的指导意义．     

训练模式的摄动对最大-乘积型模糊联想记忆网络的影响

首先建立了前馈型模糊联想记忆网络对训练模式摄动的鲁棒性概念,分析了最大-乘积型模糊联想记忆网络(Max-Product FAM),发现当采用模糊赫布学习算法时它的鲁棒性好,但采用另一学习算法时鲁棒性较差.最后用实验验证了理论结果.     

基于神经网络的人脸自动识别

该文应用神经网络技术构建了一个完整的人脸识别系统。首先使用基于眼睛位置估计的方法从人脸图像中分割出对识别有意义的纯脸,然后使用自组织映射进行特征压缩,提取有效的鉴别特征。最后使用基于知识的模糊神经网络进行分类。在NUSTDBII人脸数据库上的实验得到了令人满意的结果,并且表明该方法对人脸的姿态及表情有一定的不敏感性。