《因素神经网络理论及实现策略研究》求取 ⇩

目 录1

第一章 人工智能与因素神经网络5

1.1 有关智能问题的几点看法5

1.1.1 什么是智能与智能系统5

1.1.2完整智能系统的三要素6

1.1.3完善智能系统的特征8

1.2 智能工程研究的回顾与评述10

1.2.1符号逻辑推理机制方法11

1.2.2联接机制方法13

1.3 智能工程研究发展的新动向15

1.4 因素神经网络理论及其哲学基础20

1.4.1 因素神经网络理论简介20

1.4.2因素神经网络理论的哲学基础21

1.4.3因素神经网络理论研究的方法23

1.5 本书的结构编排23

第二章 知识的因素表示理论26

2.1 知识、智能及其数学描述26

2.2.1事物、因素及因素状态28

2.2 事物的因素分析28

2.2.2因素间的关系与运算32

2.2.3事物的层次结构与识别因素（开关因素）34

2.2.4事物因素分析的一般步骤36

2.3 因素空间及其初步性质36

2.4 知识的因素表示41

2.4.1 知识分类41

2.4.2知识的因素表示模型42

2.4.3概念的因素表示44

2.4.4推理、判断的因素表示49

2.4.5因素推理模式的真值流解释50

2.5 知识因素表示的理论基础52

2.5.1 因素状态空间之间的关系52

2.5.2基于同一因素集上的知识表示54

2.5.3基于不同因素集上的知识表示57

5.3 i—SFN的电子实现 157

2.5.4 因素藤网上的知识表示58

2.6 小结60

第三章 因素神经网络61

3.1 生物神经元及其微电子特性61

5.4.1 基于区间的不确定性知识描述 163

3.2 因素神经元64

3.2.1生物神经元存储信息与因素方法表现事物的一致性64

3.2.2因素神经元65

3.2.3关于因素神经元定义的几点讨论67

3.2.4几种因素神经元及其几何意义71

3.2.5几种知识神经元72

3.3.1神经网络与知识因素藤网的拓扑对应73

3.3 因素神经网络73

3.3.2因素神经网络定义80

3.3.3关于因素神经网络定义的讨论81

3.4 因素神经网络的分类83

3.5 小结85

第四章 单一数值型因素神经网络87

4.1 一类2-FNN性质及工程实现87

4.1.1 一种二值FN定义88

4.1.2 2—FN的电子实现88

4.1.3一类2-FNN性质研究96

4.1.4逻辑运算的2-FNN实现102

4.2 一类μ—FNN的性质及实现111

4.2.1一种连续值因素神经元定义及性质112

4.2.2任意函数关系的μ－FNN可实现性115

4.2.3μ—FNN的电子实现117

4.2.4一类综合决策问题的μ-FNN实现128

4.3 一类决断推理μ-FNN及稳定性132

4.3.1一类数值型模糊逻辑的μ-FN实现132

4.3.2数值决断型模糊推理的μ-FNN实现方法…133

4.3.3μ－RFNN的动态分析138

4.3.4推理μ-FNN的平衡态140

4.3.5 μ-RFNN的稳定性141

4.4 小结144

第五章 集值型因素神经网络146

5.1 集值型因素函数与集值逻辑147

5.1.1扩展原理与区间数147

5.1.2集值因素函数及其μ－积分模型149

5.1.3集值逻辑153

5.2 一类集值型因素神经元定义及性质155

5.3.1 i-SFN与μ—FN的性能比较157

5.3.2 i-SFN的电子实现158

5.4 一类区间值不精确推理（ISAR）及其FNN实现162

5.4.2组合命题逻辑的清晰度运算165

5.4.3不确定性集值推理模型（ISAR）165

5.4.4 ISAR的FNN实现168

5.5 不确定性区间值推理网络的学习方法171

5.6 小结174

6.1 模糊值函数与模糊值逻辑175

6.1.1扩展原理与模糊数175

第六章 模糊值型因素神经网络175

6.1.2模糊值函数178

6.1.3模糊语言值逻辑179

6.2 一种模糊语言值因素神经元182

6.2.1模糊语言值因素神经元定义182

6.2.2 1-FN的简单性质183

6.3 1-FN的电子实现184

6.3.1 1-FN的i-SFNN近似实现策略184

6.3.2一种（∨,∧）型1-FN的电子实现185

6.3.3 （∨,∧）型1-FN的功能分析188

6.3.4 简短结论193

6.4 一种动态知识推理网络195

6.4.1模糊时序知识模型195

6.4.2动态知识网络198

6.5 1-KRFNN的模式匹配200

6.5.1 模式匹配策略200

6.5.2时序域的确定201

6.5.3时序匹配202

6.5.4 语义匹配204

6.5.5推理方法207

6.6 I-KRFNN的学习算法208

6.7 I-KRFNN的运行机理215

6.8 小结223

第七章 因素神经网络的自动机性质224

7.1 有限自动机和模糊自动机224

7.1.1 有限自动机224

7.1.2模糊自动机226

7.2 2—FNN的自动机性质228

7.2.12—FNN的自动机性质228

7.2.2 2—FNN的有限自动机分析与实现230

7.3 μ-FNN的自动机性质234

7.3.1 μ-FNN的自动机性质分析234

7.3.2 μ-FNN的自动机分析与实现235

7.3.3模糊自动机的μ-FNN综合239

7.4. 小结245

第八章 因素神经网络的熵理论247

8.1. 神经网络的动态行为与熵函数247

8.1.1 2—FNN的熵函数248

8.1.2μ—FNN的熵函数250

8.2. 因素神经网络的能量函数与熵函数253

8.3. 2—FNN的熵变规律254

8.3.1 同步并行计算中的熵变规律254

8.3.2异步串行计算中的熵变规律255

8.4． μ-FNN的熵变规律258

8.4.1 具有多种因素状态μ—FNN的熵变规律……258

8.4.2具有随机、模糊性的μ—FNN的熵变规律…261

8.5． 小结266

9.1． 模糊推理与神经网络267

第九章 基于FNN的学习型模糊推理控制系统267

9.2． 模糊控制系统及其分类268

9.2.1模糊控制系统268

9.2.2模糊控制系统的分类272

9.3． 语义不定型模糊控制系统的FNN实现275

9.3.1语义表达策略275

9.3.2系统构成275

9.3.3网络的样本学习277

9.3.4语义变化对系统的影响279

9.3.5系统的联想功能280

9.3.6简短结论281

9.4 关系不定型模糊控制系统的FNN实现281

9.4.1关系不定型系统的特征281

9.4.2关系不定型FNN控制系统的设计方法……283

9.4.3系统构成286

9.4.4例1的FNN实现286

9.5 小结291

第十章 结束语292

参考文献296