基于结构元理论的Fuzzy数项级数收敛性研究

研究了基于结构元理论的Fuzzy数项级数收敛性,特别是给出了绝对收敛的定义及相关定理.并把模糊数与实数有机地联系起来,得到了一些完全类似实数项级数收敛的性质.     

复模糊级数的收敛性

在新的模糊数序关系意义下,将定义在所有实模糊数上的模糊距离推广到所有复模糊数集上的模糊距离.并以此为基础,定义复模糊级数的收敛性.并讨论了复模糊级数的收敛性的判别法及其基本性质.     

结构元线性生成的模糊数列极限与级数收敛性

定义了一种基于结构元线性生成的模糊数的距离,在此基础上研究了模糊数序列极限、模糊数项级数,同时给出了相关性质及定理的证明,并把模糊数与实数有机地联系起来,得到了一些类似于实数绝对值、实数序列极限、实数项级数收敛发散的性质。     

模糊复数项级数及其收敛性

由模糊实级数收敛性定义 ,对模糊复级数作出相仿定义 ,给出模糊复级数的收敛性     

复模糊值函数级数的广义一致收敛和亚一致收敛

利用模糊数的序关系和分解定理讨论了复模糊值函数级数收敛性,得出了复模糊值函数级数收敛、一致收敛、正则收敛、广义一致收敛、亚一致收敛的条件及一致收敛、广义一致收敛和正则收敛的关系准则。     

模糊数项级数的收敛性

研究了模糊数项级数的敛散性质以及模糊数代数运算的计算公式.并且得到模糊数项级数左右函数的逐点收敛等价于一致收敛,即模糊数项级数和函数列的左右函数列构成的级数逐点收敛等价于模糊数项级数收敛.     

基于结构元方法的模糊值函数分析学表述理论

系统地介绍了模糊值函数分析学中结构元的表述方法,包括模糊结构元的概念、基于结构元的模糊数运算、模糊值函数解析表达形式、模糊值函数微积分的结构元表示、模糊级数的结构元表示等.模糊结构元理论不仅仅为模糊分析计算的解析表述提供了工具,同时也为模糊分析理论与应用的研究开创了一条新的途径.     

基于结构元方法的模糊值函数分析学表述理论

系统地介绍了模糊值函数分析学中结构元的表述方法，包括模糊结构元的概念、基于结构元的模糊数运算、模糊值函数解析表达形式、模糊值函数微积分的结构元表示、模糊级数的结构元表示等.模糊结构元理论不仅仅为模糊分析计算的解析表述提供了工具，同时也为模糊分析理论与应用的研究开创了一条新的途径.     

实Fuzzy数项级数及其收敛性

在Fuzzy距离ρ^-（a^-,b^-=λ∈[0,1]=Y λ[｜a1^--b1^-｜,sup λ〈q〈1｜aq^--bq^-｜V｜aq^＋-bq^＋｜]下,给出了Fuzzy数项级数收敛性的概念，讨论了Fuzzy数项级数收敛的性质及收敛性的判别方法。     

模糊数序列的水平收敛与隶属收敛的联系

在不确定型优化、模糊信息处理以及模糊控制等许多实际问题中,通常采用在某些水平上通过水平截集将不确定问题局部清晰化,因而探讨模糊数按照隶属函数收敛与按照水平截集收敛之间的联系具有非常重要的意义。引入了模糊数序列的隶属收敛和水平收敛的概念,讨论了这2种收敛性之间的关系,得到了水平收敛的要求强于隶属收敛,给出了这2种收敛等价的充分必要条件。     

Fuzzy数列的收敛性及其性质

本文在比较姜华彪关于Ｆｕｚｚｙ数列收敛的定义与罗承忠等关于Ｆｕｚｚｙ函数列收敛定义的基础上，给出了Ｆｕｚｚｙ数列收敛的充分必要条件，Ｆｕｚｚｙ收敛数列的若干性质及其运算法则．     

模糊数列的理想统计收敛和理想缺项统计收敛

将模糊数列的统计收敛和缺项统计收敛置于理想的框架下,提出和研究了模糊数列的理想统计收敛和理想缺项统计收敛的概念和相互关系,推广了前人的结果。同时,讨论了模糊数列统计收敛与理想统计收敛之间、以及模糊数列缺项统计收敛与理想缺项统计收敛之间的相互关系。     

模糊化的Riesz定理和Lebesgue定理

在一般模糊测度空间上,针对可测模糊值函数序列给出了依模糊测度收敛和几乎处处收敛的概念,并在此基础上,进一步研究了模糊值函数序列的这两种收敛的蕴涵关系,从而获得了所谓模糊化的Riesz定理和Lebesgue定理.     

模糊复数序列的收敛性

讨论了模糊复数序列的收敛性问题,得到了一些新结论,为模糊复数理论的研究工作奠定了一定的基础.     

模糊数序列的收敛性

通过对连续模糊数的定义，在模糊数序列的极限值为连续模糊数的条件下，证明了模糊数序列的度量收敛、水平收敛以及图收敛这3种收敛性相互等价，并在文中给出了相应的举例，说明其有效性。     

模糊值函数序列的广义Egoroff定理

在一般模糊测度空间上, 针对可测模糊值函数序列给出了(伪)几乎处处收敛和(伪)几乎一致收敛的概念, 研究了几乎处处收敛和几乎一致收敛、伪几乎处处收敛和伪几乎一致收敛的蕴涵关系, 从而获得了不同形式的模糊化的广义Egoroff定理。     

基于LM算法的相关模糊神经网络及其应用

针对输入变量相关性较高的非线性建模模型,经典模糊神经网络算法存在收敛速度缓慢、模糊规则数大、陷入局部最小值的问题。提出一种基于LM算法的相关模糊神经网络模型;该模型基于聚类思想,构建多变量高斯模糊隶属度函数,将其表示为不可分离的模糊关系来处理相关变量模型;再采用LM优化算法,通过Hessian矩阵和一阶梯度向量同时调整网络参数;并引入Cholesky定理缩减网络参数个数。应用LM算法的模糊神经网络模型实验结果表明,可以加快收敛速度、减少模糊规则数,比经典的模糊神经网络有更好的预测精度。