云神经网络的函数逼近能力

山东大学学报(工学版) ›› 2010, Vol. 40 ›› Issue (4): 62-66.

云神经网络的函数逼近能力

于少伟

山东英才学院商学院, 山东济南 250104

收稿日期:2009-12-14 出版日期:2010-08-16 发布日期:2009-12-14
作者简介:于少伟（1981-），男，山东乳山人，讲师，硕士研究生，主要研究方向为智能控制技术、交通规划技术.E-mail:yushaowei0505@126.com
基金资助:
山东省自然科学基金资助项目(ZR2009GQ016); 山东省高等学校科技计划资助项目( J09LG68)

Function approximation capabilities of cloud reasoning neural networks

YU Shao-wei

Business School, Shandong Yingcai University, Jinan 250104, China

Received:2009-12-14 Online:2010-08-16 Published:2009-12-14

摘要/Abstract

摘要：

运用云理论,建立自适应神经-云推理系统(adaptive neuro-cloud inference system，ANCIS)的控制模型,并证明该模型具有全局逼近性质。首先将Zadeh模糊推理神经网络变为云推理网络,建立一个多输入单输出的T-S型ANCIS模型;然后设计系统变量的属性函数和推理规则,确定输入输出关系以及系统输出结果的计算表达式;最后通过证明所建模型的输出结果计算式满足StoneWeirstrass定理的3个假设条件,完成该模型的全局逼近性证明。

关键词: 云理论, 云推理, 神经网络, 函数逼近

Abstract:

A controlling model of an adaptive neuro-cloud inference system (ANCIS) was constructed by utilizing cloud theory with the function approximation property of the proved model. The Zadeh fuzzy inference neural nets were developed into cloud inference nets, and a model of ANCIS in Takagi-Sugeno type was established. The attribute functions and the inference rules of the system variables were devised with computational relations between the layers of input and output and a synthesized computational expression of system outputs ascertained. A successful proof of global approximation property of the model was accomplished by testifying that the computational expression of output results of the founded model satisfied the three hypothetic conditions of the Stone-Weirstrass theorem.

Key words: cloud theory, cloud reasoning, neural network, function approximation

于少伟. 云神经网络的函数逼近能力[J]. 山东大学学报(工学版), 2010, 40(4): 62-66.

YU Shao-wei. Function approximation capabilities of cloud reasoning neural networks[J]. JOURNAL OF SHANDONG UNIVERSITY (ENGINEERING SCIENCE), 2010, 40(4): 62-66.

参考文献

相关文章 15

[1]	沈冬冬,周风余,栗梦媛,王淑倩,郭仁和. 基于集成深度神经网络的室内无线定位[J]. 山东大学学报(工学版), 2018, 48(5): 95-102.
[2]	张璞,刘畅,王永. 基于特征融合和集成学习的建议语句分类模型[J]. 山东大学学报(工学版), 2018, 48(5): 47-54.
[3]	梁蒙蒙,周涛,夏勇,张飞飞,杨健. 基于PSO-ConvK卷积神经网络的肺部肿瘤图像识别[J]. 山东大学学报(工学版), 2018, 48(5): 77-84.
[4]	张宪红,张春蕊. 基于六维前馈神经网络模型的图像增强算法[J]. 山东大学学报(工学版), 2018, 48(4): 10-19.
[5]	赵彦霞, 王熙照. 基于SVD和DCNN的彩色图像多功能零水印算法[J]. 山东大学学报(工学版), 2018, 48(3): 25-33.
[6]	曹雅,邓赵红,王士同. 基于单调约束的径向基函数神经网络模型[J]. 山东大学学报(工学版), 2018, 48(3): 127-133.
[7]	谢志峰,吴佳萍,马利庄. 基于卷积神经网络的中文财经新闻分类方法[J]. 山东大学学报(工学版), 2018, 48(3): 34-39.
[8]	何正义,曾宪华,郭姜. 一种集成卷积神经网络和深信网的步态识别与模拟方法[J]. 山东大学学报(工学版), 2018, 48(3): 88-95.
[9]	唐乐爽,田国会,黄彬. 一种基于DSmT推理的物品融合识别算法[J]. 山东大学学报(工学版), 2018, 48(1): 50-56.
[10]	王秀青,曾慧,解飞,吕峰. 基于Spiking神经网络的机械臂故障诊断[J]. 山东大学学报(工学版), 2017, 47(5): 15-21.
[11]	邱路,叶银忠,姜春娣. 基于小波奇异熵和SOM神经网络的微电网系统故障诊断[J]. 山东大学学报(工学版), 2017, 47(5): 118-122.
[12]	吴建萍,姜斌,刘剑慰. 基于小波包信息熵和小波神经网络的异步电机故障诊断[J]. 山东大学学报(工学版), 2017, 47(5): 223-228.
[13]	刘帆,陈泽华,柴晶. 一种基于深度神经网络模型的多聚焦图像融合方法[J]. 山东大学学报(工学版), 2016, 46(3): 7-13.
[14]	刘杰, 杨鹏, 吕文生, 刘阿古达木, 刘俊秀. 基于气象因素的PM_2.5质量浓度预测模型[J]. 山东大学学报(工学版), 2015, 45(6): 76-83.
[15]	花景新, 薄煜明, 陈志敏. 基于改进粒子群优化神经网络的房地产市场预测[J]. 山东大学学报(工学版), 2014, 44(4): 22-30.

多维度评价

Viewed

Full text

Abstract

Cited

Shared

Discussed