基于神經模糊的模式識別的幾個問題的研究.pdf

1、模式識別技術是人工智能的重要研究內容?；诟鞣N技術，幾十年來各種不同的模式識別方法得到了廣泛的研究。其中，隨著神經模糊技術的發(fā)展，基于神經模糊技術的模式識別方法也得到了長足的發(fā)展，引起了眾多學者的廣泛關注，形成一個獨特的研究方向：神經模糊模式識別技術。目前，基于神經模糊技術的模式識別及其相關技術已經得到了較深入的研究，一些成果已成功高效地應用于不同的領域。雖然如此，該類技術依然面臨著許多重大的挑戰(zhàn)。其中幾個關鍵的挑戰(zhàn)是：1)如何構建更魯

2、棒的神經模糊模式識別算法。2)如何開發(fā)基于新模型的神經模糊模式識技術。3)如何把神經模糊模式識別及其相關技術應用于更廣泛的領域.如生物信息學、計算機視覺等。 針對上述的挑戰(zhàn)，本課題進行了相關的研究。所研究內容主要涉及三個部分，分述如下。 第一部分，包含第二章到第五章，主要探討了魯棒的神經模糊模式識別技術。具體地，第二章針對模糊聚類神經網絡FCNN對例外點敏感的缺陷，通過引入Vapnik'sε-不敏感損失函數，重新構造網絡

3、的目標函數，并根據拉格朗日優(yōu)化理論推導出新的魯棒模糊聚類神經網絡及其算法RFCNN。第三章針對極大熵聚類算法MEC對例外點較敏感和不能標識例外點之缺陷，提出了一種魯棒的極大熵聚類算法RMEC。第四章提出了一種較魯棒的基于視覺原理和WEBER定律的TSK模糊系統(tǒng)建模方法。第五章提出了一種新的級聯MLP神經網絡CATSMLP。證明了CATSMLP神經網絡等價于一種特殊的基于演繹模糊推理的級聯模糊推理系統(tǒng)CATSFIS；由于級聯模糊邏輯推理較

4、之于if-then模糊邏輯推理對噪聲的干擾具有較小的誤差上界，從而推導出CATSMLP神經網絡較ATSMLP具有更好的魯棒性。 第二部分，包含第六章到第八章，主要探討了基于球模型的神經模糊模式識別技術。具體地，第六章提出了一種基于核化技術的模糊核超球感知器分類算法，該算法通過核化技術把樣本數據映射到高維特征空間，并利用超球感知器學習尋找高維特征空間的決策超球，從而得到各類樣本的決策函數。第七章基于最小最大概率策略和模糊技術提出了

5、一種新的分類學習機：模糊超橢球學習機MPFHM。第八章探討了壓縮集密度估計器RSDE和最小包含球MEB之間的關系，證明了RSDE能被視為一個特殊的MEB問題。進一步引入基于核集的最小包含球逼近策略開發(fā)出了快速的壓縮集密度估計器FRSDE，并有效地應用于分類、建模及圖像分割。 第三部分，即第九章，基于模糊推理規(guī)則提出了一種具有自適應學習功能的自動彈性圖像配準方法。進一步地，把形變視頻跟蹤看作一個動態(tài)圖像配準問題，提出的彈性配準方法