一种基于神经网络的模糊推理方法

对于Zadeh的模糊关系合成法则（简称CRI方法），选择一个适宜蕴涵关系矩阵是至关重要的。通常蕴涵关系矩阵的元素值是通过一个所构造的数学表达式计算的，或是由领域专家凭经验直接给出。然而，有时，特别是对于后一种情形，CRI法不能满足模糊推理最基本的一致性要求。文章构造了一个神经网络用于模糊推理，新方法不仅是CRI方法的推广，而且远比CRI方法易于满足推理的一致性要求。得益于神经网络的长处，新方法具有灵活性、可调性。文章给出了权值的具取值法。     

变参数区间值直觉模糊集在模式识别中的应用

提出了带参数区间值直觉模糊集的概念,构造了一系列带参数的区间值直觉模糊集。从已知隶属度和非隶属度出发,重点分析了激励惩罚型变参数区间值直觉模糊集的构造。运用模式识别与医疗诊断案例进行对比。仿真实验结果表明,带参数区间值直觉模糊集方法比传统的直觉模糊集方法更具灵活性。     

一种能实现弱T范数簇运算的模糊神经元模型

基于T／S范数提出了一种新神经元模型，它实际代表了一个神经元数，对文献[3]神经元模型的推广，且能实现广义的“与、或和平均”运算，通过适当地选择T－范围和S－范数，该模型能实现T／S范数簇运算，本文也讨论了该模型对某些运算的封闭能力，以便对由这种神经元构成的网络进行简化时提供依据。     

带参数的模糊推理合成法则的性质研究

本文对模糊专家系统、模糊决策支持系统和模糊控制系统中常用的Zadeh的模糊推理合成法则CRI进行了推广,提出了带参数的模糊推理合成法则.该法则克服了传统的CRI法则的若干不足之处,能在极弱条件下满足肯定前件的假言推理,否定后件的拒取式推理,否定前件的假言推理,具有推理的逼近性.因为在本方法中已降低了模糊蕴含关系R的关键性地位,所以无须慎选适宜的R.通过参数的调整,本方法具有灵活性和准确性.本文给出了参数的具体取值方法.     

一种改进的抗几何攻击的数字图像水印算法

利用奇异值分解的特性,提出了一种改进的基于奇异值分解的数字水印算法。该算法通过设定采样的起始和终止参数,对图像的频域幅度值进行有选择的部分采样。然后利用采样后的数据构造嵌入水印的数据矩阵,并对数据矩阵进行分块奇异值分解,获取一个由次大奇异值组成的数字序列。最后通过可调强度的加性方法,在次大奇异值上嵌入水印信息。依靠数据矩阵的采样构造方式和次大奇异值的几何攻击不变性实现了数字水印的抗几何攻击性。实验结果表明,该方法较传统方法而言有更高的灵活性和鲁棒性。     

基于最大F距离码的McEliece公钥密码体制

基于F度量,构造了最大F距离码,提出了基于最大F距离码的新McEliece公钥密码系统。合法接收者通过引入一个随机矩阵X作为附加私钥,并把X加入到原始公钥中,从而产生了一个新的公钥,使该密码系统能够有效抗击敌手通过已知的公钥获得私钥的攻击。同时F度量的引入,提高了攻击密钥体积较小的公钥密码系统的复杂度和难度。通过对现有可行攻击方法的分析,说明了基于最大F距离码的新McEliece公钥密码系统是安全可行的。     

一种新区间值vague集及其在模式识别中的应用

基于现有定义证明了区间值vague集并非vague集的扩展,并提出了一种新的区间值vague集定义。证明了 vague集和区间值vague集都是新区间值vague集的特例。进而提出了带参数区间值vague集的概念,并从已知隶属 度和非隶属度出发,重点分析了带参数区间值vague集的构造。将模式识别与医疗诊断案例进行了对比。仿真实验 结果表明,带参数区间值的vague集方法比传统的vague集方法更全面且更具灵活性。     

基于SIFT特征点的抗几何攻击水印算法

提出一种利用尺度不变特征变换（SIFT）特征点实现对抗几何攻击的水印方案。基于特征点构造Delavnay三角网,依靠SIFT特征点的抗几何变换性实现图像三角形区域的抗几何攻击。在提取部分图像内容的基础上,按照多对一的原则,使用改进的加性方法嵌入水印信息。实验表明,该算法能够较好地抵抗几何攻击和一般的信号处理攻击。     

两类新的基于T/S范的模糊神经元模型及其应用

基于T范数和S范数提出了F1型和F2型两类神经元模型,并研究了它们的性质和应用(F1型灵敏性强而鲁棒性弱,而F2型神经元灵敏性弱而鲁棒性强);给出了一个基于F1型神经元的广义AND/OR运算为T/S范数簇的充分必要条件;首先提出了弱界三角范的概念,并发现F2型的一个特例模型能实现弱界三角范.经分析,F1型更适合用于工业控制系统,而F2型更适合用于面向用语言描述知识的医学和人文社会领域的计算机应用系统.该文把一个由特殊的F2型神经元组成的神经网络用于模糊推理,发现该推理方法是Zadeh的CRI法的推广,且能满足假言推理.通过权值的调整,该推理法能满足若干推理原则的要求.     

两类新的基于T／S范数的模糊神经元模型及其应用

基于T范数和S范数提出了F1型和F2型两类神经元模型，并研究了它们的性质和应用(F1型灵敏性强而鲁棒性弱，而F2型神经元灵敏性弱而鲁棒性强)；给出了一个基于F1型神经元的广义AND／OR运算为T／S范数簇的充分必要条件；首先提出了弱界三角范数的概念，并发现F2型的一个特例模型能实现弱界三角范数，经分析，F1型更适合用于工业控制系统，而F2型更适合用于面向用语言描述知识的医学和人文社会领域的计算机应用系统，该文把一个由特殊的F2型神经元组成的神经网络用于模糊推理，发现该推理方法是Zadeh的CRI法的推广，且能满足假言推理，通过权值的调整，该推理法能满足若干推理原则的要求。