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]	黄芳,王欣,高国海,沈玲珍,付勋,方宇. 融合主客观评价的图数据Top-k频繁模式挖掘[J]. 山东大学学报 (工学版), 2025, 55(6): 1-12.
[2]	邵孟伟,袁世飞,周宏志,王乃华. 基于BP神经网络和遗传算法的翅片管结构优化[J]. 山东大学学报 (工学版), 2025, 55(6): 76-82.
[3]	邓彬, 张宗包, 赵文猛, 罗新航, 吴秋伟. 基于云边协同和图神经网络的电动汽车充电站负荷预测方法[J]. 山东大学学报 (工学版), 2025, 55(5): 62-69.
[4]	董明书,陈俐企,马川义,张珠皓,孙仁娟,管延华,庄培芝. 沥青路面内部裂缝雷达图像智能判识算法研究[J]. 山东大学学报 (工学版), 2025, 55(3): 72-79.
[5]	贾轩,许吉凯,任艺婧,刘德才,许强,张利. 基于样本扩容和数据驱动的台区理论线损计算方法[J]. 山东大学学报 (工学版), 2025, 55(3): 158-164.
[6]	祝明,石承龙,吕潘,刘现荣,孙驰,陈建城,范宏运. 基于优化长短时记忆网络的深基坑变形预测方法及其工程应用[J]. 山东大学学报 (工学版), 2025, 55(3): 141-148.
[7]	李伟豪,王苹苹,许万博,魏本征. 结构先验引导的多模态腰椎MRI图像分割算法[J]. 山东大学学报 (工学版), 2025, 55(1): 66-76.
[8]	孙尚渠,张恭禄,蒋志斌,李朝阳. 盾构滚刀磨损的影响因素敏感性分析及预测[J]. 山东大学学报 (工学版), 2025, 55(1): 86-96.
[9]	林振宇,邵蓥侠. 基于盖根堡多项式最佳平方近似的谱图网络[J]. 山东大学学报 (工学版), 2024, 54(5): 93-100.
[10]	常新功,苏敏惠,周志刚. 基于进化集成的图神经网络解释方法[J]. 山东大学学报 (工学版), 2024, 54(4): 1-12.
[11]	马翔悦,徐金东,倪梦莹. 基于多尺度特征模糊卷积神经网络的遥感图像分割[J]. 山东大学学报 (工学版), 2024, 54(3): 44-54.
[12]	赵涛,张宁,王小超,马川义,田源,张圣涛,杨梓梁. 基于图神经网络轨迹预测的合流区交通冲突预测方法[J]. 山东大学学报 (工学版), 2024, 54(2): 36-46.
[13]	李璐,张志军,范钰敏,王星,袁卫华. 面向冷启动用户的元学习与图转移学习序列推荐[J]. 山东大学学报 (工学版), 2024, 54(2): 69-79.
[14]	范黎林,刘士豪,李源,毛文涛,陈宗涛. 基于课程正则化的物理信息神经网络渐进式训练策略[J]. 山东大学学报 (工学版), 2024, 54(1): 11-24.
[15]	孙园,曾惠权,欧阳苏建,高佳倩,王绮楠,林智勇. 基于粒子群算法的模糊大脑情感学习非线性系统辨识[J]. 山东大学学报 (工学版), 2024, 54(1): 25-32.

多维度评价

Viewed

Full text

Abstract

Cited

Shared

Discussed

本文评价

推荐阅读 10

[1]	孔祥臻,刘延俊,王勇,赵秀华 . 气动比例阀的死区补偿与仿真[J]. 山东大学学报(工学版), 2006, 36(1): 99 -102 .
[2]	李梁，罗奇鸣，陈恩红. 对象级搜索中基于图的对象排序模型（英文）[J]. 山东大学学报(工学版), 2009, 39(1): 15 -21 .
[3]	陈瑞,李红伟,田靖. 磁极数对径向磁轴承承载力的影响[J]. 山东大学学报(工学版), 2018, 48(2): 81 -85 .
[4]	刘文亮,朱维红,陈涤,张泓泉. 基于雷达图像的运动目标形态检测及跟踪技术[J]. 山东大学学报(工学版), 2010, 40(3): 31 -36 .
[5]	孙玉利,李法德,左敦稳,戚美 . 直立分室式流体连续通电加热系统的升温特性[J]. 山东大学学报(工学版), 2006, 36(6): 19 -23 .
[6]	陈华鑫, 陈拴发, 王秉纲. 基质沥青老化行为与老化机理[J]. 山东大学学报(工学版), 2009, 39(2): 125 -130 .
[7]	卜德云张道强. 自适应谱聚类算法研究[J]. 山东大学学报(工学版), 2009, 39(5): 22 -26 .
[8]	潘多涛,刘桂萍,刘长风 . 生物絮凝剂产生菌的筛选及培养条件优化[J]. 山东大学学报(工学版), 2008, 38(3): 99 -103 .
[9]	张恭孝,杨荣华 . 水杨醛缩甲基氨基硫脲Schiff碱配合物的合成与表征[J]. 山东大学学报(工学版), 2008, 38(3): 108 -111 .
[10]	薛强,艾兴,赵军,周咏辉,袁训亮 . 纳米TiC对Si₃N₄基复合陶瓷材料性能和微观结构的影响[J]. 山东大学学报(工学版), 2008, 38(3): 69 -72 .