全相关约束下的变分层次自编码模型

基于深度学习的解耦表示学习可以通过数据生成的方式解耦数据内部多维度、多层次的潜在生成因素,并解释其内在规律,提高模型对数据的自主探索能力。传统基于结构化先验的解耦模型只能实现各个层次之间的解耦,不能实现层次内部的解耦,如变分层次自编码(variational ladder auto-encoders,VLAE)模型。本文提出全相关约束下的变分层次自编码(variational ladder auto-encoder based on total correlation,TC-VLAE)模型,该模型以变分层次自编码模型为基础,对多层次模型结构中的每一层都加入非结构化先验的全相关项作为正则化项,促进此层内部隐空间中各维度之间的相互独立,使模型实现层次内部的解耦,提高整个模型的解耦表示学习能力。在模型训练时采用渐进式训练方式优化模型训练,充分发挥多层次模型结构的优势。本文最后在常用解耦数据集3Dshapes数据集、3Dchairs数据集、Celeb A人脸数据集和dSprites数据集上设计对比实验,验证了TC-VLAE模型在解耦表示学习方面有明显的优势。     

模糊蕴含算子同时为基于统一模的S蕴含和R蕴含的充要条件

对基于统一模的S蕴合算子和R蕴合算子进行了公理化刻划,并在此基础上得到了一个S蕴合算子和R蕴合算子具有相同表达式的充要条件．     

基于标准论域确定隶属函数的方法

作者提出了一种基于标准论域确定隶属函数的新方法. 该方法对语言值集进行通盘考虑,而不是孤立地确定某一个语言值的隶属函数. 作者首先明确提出了标准论域的概念, 在标准论域上,语言值的隶属函数形式简单而且易于得到,然后利用语言值在基础论域和标准论域上的峰值点,采用插值或拟合方法确定基础论域到标准论域上的变换,进而由标准论域上的隶属函数得到基础论域上的隶属函数     

基于标准论域的模糊控制器设计

设计模糊控制器时常常遇到的困难之一就是为各语言值确定合适的隶属函数.为此本文作者提出了基于标准论域的模糊控制器设计方法.作者首先提出"标准论域"的概念,在标准论域上隶属函数的形式简单、易于处理.然后,通过基础论域到标准论域上的连续单增变换,作者从整体上考虑了一个语言变量所有语言值的隶属函数,而不是像现有的方法一样孤立地确定各个语言值的隶属函数,从而大大减少了工作量.最后,作者详细说明了基于标准论域的模糊控制器的结构,推导了它的输入输出对应关系.现有的模糊控制方法的输入输出关系与基础论域采用的尺度有关,新方法则没有这一缺陷,而且利用这种模糊控制器结构可以方便的实现变论域模糊控制.