学位论文 > 优秀研究生学位论文题录展示

模糊神经网络与ATM交换结构的研究

作　者: 陈金山
导　师: 韦岗
学　校: 华南理工大学
专　业: 通信与电子系统
关键词: 神经网络模糊神经网络模糊联想记忆聚类规则提取细胞神经网络异步转移模式
分类号: TN915.2
类　型: 博士论文
年　份: 2000年
下　载: 172次
引　用: 0次
阅　读: 论文下载

内容摘要

模糊系统善于表达人的经验性知识，可以处理模糊的信息；但模糊系统的规则集和隶属函数等设计参数只能靠经验来选择，很难自动设计和调整。用神经网络来构造模糊系统，就可以利用神经网络的学习方法，根据输入输出的样本来自动设计和调整模糊系统的设计参数，实现模糊系统的自学习和自适应功能。模糊神经网络(FNN)结合了模糊逻辑与神经网络各自的长处并弥补其不足，成为智能模：拟领域中一种重要的技术与方法，在通信、自动控制和信号处理等领域获得了广泛的应用。模糊推理网络(FIN)和模糊联想记忆网络(FAM)是两种最重要的FNN模型。设计FIN的学习算法使之能够应用于在线的控制系统是该领域研究的难点。本文试图对现有的FIN的学习算法进行分析、改进，取得了一些成果。FAM的性质和学习算法是FNN领域的研究热点。然而，目前在FAM方面所取得的成果几乎都是相对于最大-最小FAM这一模型的，而这只是实际中的一小类FNN模型，其成果的应用必然十分有限。所以，将最大-最小FAM模型推广就变得十分有意义。本文系统地分析了最大-最小与最大-乘积FAM网络的收敛性、容错性和记忆容量等问题，提出了一些改进算法，并将其结果推广到最大-T模FAM网络。具体工作如下： ·模糊推理网络模糊聚类算法在FIN的结构辨识中发挥了重要的作用。针对模糊C-均值算法对初始值极为敏感，容易陷入局部极小点，提出一种遗传+模糊C-均值的混合聚类算法，证明了这种混合聚类算法能以概率收敛到全局最优解。传统的FIN的结构学习与参数学习是分开实行的。这样就需要预先收集大量的数据，而且结构学习与参数学习分开进行往往使学习的时间过长，而不适用于在线的控制系统。本文提出一种自适应模糊神经推理网络(ANFIN)模型，并给出其结构学习与参数学习的两阶段混合学习算法，新算法提高了ANFIN的预测精度和学习速度，使之可应用于在线的ATM业务量预测。 ·模糊联想记忆网络模糊δ规则算法是一种不需要求导的迭代算法，但它不能可靠地收敛到模糊

全文目录

摘要  4-6
Abstract  6-8
目录  8-11
Contents  11-14
第一章绪论  14-24
  1.1 模糊神经网络的研究背景及其意义  14-15
  1.2 模糊聚类算法  15-17
    1.2.1 加权指数m的选择  16
    1.2.2 初始值的选择  16
    1.2.3 聚类数的确定  16-17
  1.3 模糊神经网络的研究现状及其趋势  17-21
    1.3.1 模糊联想记忆  18-19
    1.3.2 模糊多层感知机  19-20
    1.3.3 模糊认知图  20
    1.3.4 模糊Hopfield神经网络  20
    1.3.5 模糊ART  20-21
  1.4 ATM交换结构  21-22
  1.5 本文主要研究内容及章节安排  22-24
第二章遗传-模糊C-均值混合聚类算法  24-38
  2.1 引言  24-25
  2.2 模糊C-均值算法  25-27
  2.3 GAFCM算法  27-33
    2.3.1 GAFCM算法的关键问题及算法实现  28-30
    2.3.2 GAFCM算法理论分析  30-33
  2.4 模拟实验与结果讨论  33-37
  2.5 本章小结  37-38
第三章自适应模糊神经推理网络  38-48
  3.1 引言  38-39
  3.2 自适应模糊神经推理网络结构  39-41
  3.3 自适应模糊神经推理网络学习算法  41-46
    3.3.1 输入输出空间的划分  41-44
    3.3.2 构造模糊规则  44-45
    3.3.3 参数辨识  45-46
  3.4 模拟实验  46-47
  3.5 本章小结  47-48
第四章模糊联想记忆网络  48-68
  4.1 引言  48-49
    4.1.1 模糊联想记忆概述  48
    4.1.2 模糊联想记忆网络及其研究现状  48-49
  4.2 模糊联想记忆网络与模糊关系方程  49-51
  4.3 最大-最小模糊联想记忆网络  51-56
    4.3.1 最大-最小模糊δ规则算法  51-53
    4.3.2 最大-最小模糊δ规则改进算法  53-56
  4.4 最大-乘积模糊联想记忆网络  56-62
    4.4.1 最大-乘积模糊δ规则算法  57-58
    4.4.2 最大-乘积模糊δ规则改进算法  58-62
  4.5 模拟实验  62-67
  4.6 本章小结  67-68
第五章最大-T模模糊联想记忆网络  68-79
  5.1 引言  68
  5.2 最大-T模模糊联想记忆网络  68-72
  5.3 最大-T模模糊δ规则改进算法  72-74
  5.4 模拟实验  74-77
  5.5 本章小结  77-79
第六章凸组合模糊联想记忆网络  79-88
  6.1 引言  79-80
  6.2 凸组合的模糊关系方程  80-81
  6.3 扩展凸组合模糊联想记忆网络  81-85
  6.4 模拟实验  85-87
  6.5 本章小结  87-88
第七章基于Hopfield神经网络调度信元的输入缓冲ATM交换结构  88-101
  7.1 引言  88-90
  7.2 采用窗口接入技术的信元调度算法  90-92
  7.3 LWHP算法的HNN实现方法  92-95
  7.4 计算机仿真实验与性能分析  95-100
  7.5 本章小结  100-101
第八章基于细胞神经网络调度信元的输入缓冲ATM交换结构  101-112
  8.1 引言  101-102
  8.2 CNN电路模型  102-105
    8.2.1 连续时间CNN模型  102-103
    8.2.2 简化的CNN电路模型  103-105
  8.3 CNN实现输入缓冲ASF的信元调度  105-108
    8.3.1 CNN调度信元的实现方法  105-107
    8.3.2 CNN调度信元与HNN调度信元比较  107-108
  8.4 计算机仿真实验与性能分析  108-111
  8.5 本章小结  111-112
结论  112-114
参考文献  114-125
攻读博士学位期间发表的论文  125-126
致谢  126

模糊神经网络与ATM交换结构的研究

内容摘要

全文目录

相似论文