人工神经网络的典型模型 表4,2人工神经网络的典型模型 模型名称有师或无师学习规则正向或反向传播应用领域 AG Hebb律 反向 数据分类 SG Hebb律 反向 信息处理 ART-I 无无无无无无无无无无有有有 竞争律 反向 模式分类 DH Hebb律 反向 语音处理 CH Hebb竞争律反向 组合优化 BAM Hebb/竞争律 反向 图象处理 AM Hebb ABAM Hebb 律律 反向 模式存储 反向 信号处理 CABAM Hebb律 反向 组合优化 FCM Hebb律 反向 组合优化 LM Hebb律 正向 过程监控 DR Hebb律 正向 过程预测,控制 LAM Hebb律 正向 系统控制 2021/12/14
表 4.2 人工神经网络的典型模型 模型名称 有师或无师 学习规则 正向或反向传播 应用领域 AG 无 Hebb 律 反向 数据分类 SG 无 Hebb 律 反向 信息处理 ART-I 无 竞争律 反向 模式分类 DH 无 Hebb 律 反向 语音处理 CH 无 Hebb/竞争律 反向 组合优化 BAM 无 Hebb/竞争律 反向 图象处理 AM 无 Hebb 律 反向 模式存储 ABAM 无 Hebb 律 反向 信号处理 CABAM 无 Hebb 律 反向 组合优化 FCM 无 Hebb 律 反向 组合优化 LM 有 Hebb 律 正向 过程监控 DR 有 Hebb 律 正向 过程预测，控制 LAM 有 Hebb 律 正向 系统控制 人工神经网络的典型模型 2021/12/14 16
续前表: OLAM Hebb律 正向 信号处理 FAM Hebb律 正向 知识处理 BSB 误差修正 正向 实时分类 Perceptron 误差修正 正向 线性分类,预测 Adaline/Madaline 误差修正 反向 分类,噪声扣制 BP 误差修正 反向 分类 AVQ 误差修正 反向 数据自组织 CPN Hebb律 反 自组织映射 BM Hebb/模拟退火反向 组合优化 CM 有有有有有有有有有有有有有 Hebb/模拟退火反向 组合优化 AHC 误差修正 反向 控制 ARP 随机增大 反向 模式匹配,控制 SNMF Hebb律 反向 语音/图象处理 2021/12/14
续前表： OLAM 有 Hebb 律 正向 信号处理 FAM 有 Hebb 律 正向 知识处理 BSB 有 误差修正 正向 实时分类 Perceptron 有 误差修正 正向 线性分类，预测 Adaline/Madaline 有 误差修正 反向 分类，噪声抑制 BP 有 误差修正 反向 分类 AVQ 有 误差修正 反向 数据自组织 CPN 有 Hebb 律 反向 自组织映射 BM 有 Hebb/模拟退火 反向 组合优化 CM 有 Hebb/模拟退火 反向 组合优化 AHC 有 误差修正 反向 控制 ARP 有 随机增大 反向 模式匹配，控制 SNMF 有 Hebb 律 反向 语音/图象处理 2021/12/14 17
4.25基于神经网络的知识表示与推理 基于神经网络的知识表示 在这里,知识并不像在产生式系统 中那样独立地表示为每一条规则,而是 将某一问题的若干知识在同一网络中表 示。例如,在有些神经网络系统中,知 识是用神经网络所对应的有向权图的邻 接矩阵及阈值向量表示的。 2021/12/14
4.2.5 基于神经网络的知识表示与推理 ◼ 基于神经网络的知识表示 在这里，知识并不像在产生式系统 中那样独立地表示为每一条规则，而是 将某一问题的若干知识在同一网络中表 示。例如，在有些神经网络系统中，知 识是用神经网络所对应的有向权图的邻 接矩阵及阈值向量表示的。 2021/12/14 18
基于神经网络的推理 ■基于神经网络的推理是通过网络计算实现 的。把用户提供的初始证据用作网络的输 入,通过网络计算最终得到输出结果 般来说,正向网络推理的步骤如下: 把已知数据输入网络输入层的各个节点。 利用特性函数分别计算网络中各层的输出。 用阈值函数对输出层的输出进行判定,从而 得到输出结果。 2021/12/14
基于神经网络的推理 ◼ 基于神经网络的推理是通过网络计算实现 的。把用户提供的初始证据用作网络的输 入，通过网络计算最终得到输出结果。 ◼ 一般来说，正向网络推理的步骤如下： ◼ 把已知数据输入网络输入层的各个节点。 ◼ 利用特性函数分别计算网络中各层的输出。 ◼ 用阈值函数对输出层的输出进行判定，从而 得到输出结果。 2021/12/14 19
43模糊计算 43.1模糊集合、模糊逻辑及其运算 定义4.1模糊集合( Fuzzy sets) 论城U到|0,1区间的任一映射/F, 即HF:→[0,,都确定U的一个棋糊子集F; r称为F的隶属函数或隶属度。在论城U中 可把模糊子集表示为元素l与其隶属函数F(u) 的序偶集合,记为 {(uy(u)|u∈U (412 2021/12/14
定义4.1 模糊集合(Fuzzy Sets) 论域U到[0,1]区间的任一映射 ， 即 ，都确定U的一个模糊子集F； 称为F的隶属函数或隶属度。在论域U中， 可把模糊子集表示为元素u与其隶属函数 的序偶集合，记为： (4.12) F :U →[0,1] F (u) F F {(u, (u))| u U} = F 4.3 模糊计算 4.3.1 模糊集合、模糊逻辑及其运算 F 2021/12/14 20