混合模糊联想记忆网络的新学习算法与容错设计

本文主要探讨了一种混合模糊联想记忆网络的创新设计和学习算法，它是在1998年由盆盛优和肖平两位作者在《南方冶金学院学报》上发表的研究成果。他们对前人工作如最大最小联想记忆网络（由Kosko提出）进行了改进，特别是针对Chiu的多值MERAM算法的不足，即其在处理强关联样本时的联想容错能力较弱，以及网络稳定性缺乏理论支持的问题。 文章的核心贡献在于提出了一种新的学习算法，通过采用不同于模糊Hebb规则的包容算子和增益算子，解决了网络的快速陷入问题，并在一定程度上增强了网络对模式对的完整回忆能力。与Kosko的模糊赫布规则相比，新算法在保持计算复杂性相当的同时，改善了网络的性能，特别是在处理多个模糊模式对时，能够更可靠地储存和联想。 此外，为了提高网络的容错性和稳定性，作者进一步提出了一个五层混合模糊联想记忆网络结构。这个五层网络设计考虑到了联想记忆网络不仅要存储训练模式对，还要增强训练过程中的容错能力。与文献[3]相比，尽管后者提出了一个好的模糊学习算法，但并未深入研究模式联想对的容错问题。而本文提出的五层网络模型充分利用了最大最小合成算子的主因素决定型作用，从而在整体上提升了网络的性能和鲁棒性。 通过大量的实验验证，这些改进后的学习算法和混合网络被证明是有效的，能够在实际应用中展现出良好的联想和容错能力。这项研究成果对于模糊神经网络的研究和应用具有重要的理论价值和实践意义，为处理多值模式状态、提高联想记忆网络的效率和可靠性提供了新的思路和技术支撑。