软计算及其哲学内涵

通过介绍软件的意义，论述了软计算技术对于研究非线性复杂系统以及处理智能信息的前饿性。利用对于数学模型的分类，指出软计算数学相对于经典的计算数学在处理能力上有本质的区别，从而说明了软计算是计算机智能的理论基础。     

基于一类模运算的模糊神经网络的模糊联想记忆

本文通过Ｔ－模建立的一类模糊神经网络推广了ｍａｘ－ｍｉｎ神经网络。对于给定的模糊模式对（Ｘ１，Ｙ１），…，（Ｘｐ，Ｙｐ），我们得到了这类网络能够存储这族模糊模式对的充分条件和必要条件。并将所讨论的方法应用于一类带阈值的ｍａｘ－ｍｉｎ神经网络，证明了这类网络能够存储给定的一族模糊模式对的等价条件。最后用实例验证了我们的结论。     

基于容错性的模糊双向联想记忆学习算法

本文给出了模糊双向联想记忆网络吸引子的一个非退化的吸引域。在此基础上设计了一个基于网络容错性的关于连接权矩阵的解析学习算法,使得在一定的条件下,所讨论的模糊模式对均为网络的吸引子,而且各自具有非退化的吸引域。最后用实例验证了我们的结论。     

基于模糊神经网络的图像恢复技术

通过分别引入输入与输出空间的合理剖分,定义了一种新的模糊神经网络(FNN), 即选择型FNN, 该系统是一种多层前向网络, 在最大模意义下构成一类函数泛逼近器.基于一组具有实际意义的模糊推理规则, 得出了一个简单实用的推理型FNN. 利用选择型FNN与推理型FNN的有机结合, 得到FNN滤波器, 它不仅结构简单, 易于设计参数学习算法, 而且能同时有效去除图像信号中的脉冲噪声和保持图像结构. 实验结果表明, 与其他滤波器(如:中值滤波, 自适应加权模糊平均(AWFM)滤波等)相比, FNN滤波器在去除各种噪声, 保持图像未污染部分结构等方面性能卓越     

广义Takagi-Sugeno模糊系统与其分层系统的等价性

引入广义分层Ｔａｇａｋｉ－Ｓｕｇｅｎｏ模糊系统,“规则爆炸”或“维数灾难”问题可由该系统得到解决,通过引入中间变量,证明了分层模糊系统的Ｉ－Ｏ关系可以表示为带 有中间变量的广义ＴＳ模糊系统;反之,一个分层系统也可表示模糊系统的Ｉ－Ｏ关系。     

模糊神经网络理论及其应用

本书是《机器感知与人工智能》丛书的第59卷。模糊神经网络和神经模糊系统具有较长的发展历史，最初是1975年由Ed Lee发表的关于模糊神经的论文提出的。神经模型系统可以被看作为神经计算与模糊逻辑的协同合作。它从神经计算继承了与学习及近似相关的概念和技术。从模糊逻辑继承了成粒作用、语言变量、模糊蕴含规则、推理规则及约束传播。本书系统地综述近年来模糊神经网络领域中的研究成果，全面介绍了理论及其对系统建模和图像恢复方面的应用，提出了模糊神经网络的发展方向，强调了模糊神经网络的基本概念与总体结构的分析。本书的特殊之处在于研究了各种各样的模糊神经网络和它们的学习算法与通用近似，并且采用了精心设计的模拟实例来帮助读者掌握基础的理论。     

正则模糊神经网络对于连续模糊函数的近似能力研究

研究了正则模糊神经网络对于模糊函数的逼近问题 .当σ是R上的非常量有界连续函数时 ,得到了被四层前向正则模糊神经网络 ∑qk=1 Wk · ∑pj=1 Vkj·σ X· Uj Θj 以任意精度逼近的连续模糊函数所满足的几个等价条件 .最后的例子给出了几类这样的模糊函数     

广义模糊系统对于可积函数的逼近性

定义了一种广义模糊系统,应用中所研究的主要模糊系统都是该系统的特例,通过讨论了广义Ｔａｋａｇｉ－Ｓｕｇｅｎｏ（Ｔ－Ｓ）系统在Ｌｐ（μ）－模意义下对于分片线性函数的逼近性,证明了该广义系统对于ｐ－可积函数是通用逼近器,若给定逼近精度,则可以估计出该系统模糊规则库的规模大小,最后给出了两个模拟实例。     

一种新的模糊神经网络及其逼近性能

给出了一类折线模糊数间新的模糊算术，对于递增函数σ : R→R得到了一个新的扩展原理，并由此建立了一种新的模糊神经网络模型，该模型在设计学习算法、逼近能力等方面具有优越的性能. 最后证明了相应的前向三层网络可以作为连续递增模糊函数的通用逼近器.