一、Fuzzy线性映射（论文文献综述）
孙武[1]（2021）在《基于模糊系统的异构迁移学习算法研究》文中研究表明迁移学习是通过利用源域的已标记数据中的知识来增强目标域中的模型性能,而目标域中只包含少量或没有标记的训练样本。因为在现实世界中人工标记数据需要耗费大量的人力和物力,所以利用已标记源域来辅助目标域任务可以大大减少人工标记的消耗。目前,主流的迁移方法假设源域和目标域包含相同的特征空间,而实际应用中收集具有相同特征空间的源域和目标域比较困难。因此,异构迁移学习的发展解决了这些局限性。异构迁移学习中源域和目标域的特征空间是不同的,在处理跨域迁移任务中,如何弥补特征空间或分布差异,以及减少在构造公共特征空间时所造成的信息损失,仍将面临巨大的挑战。本文针对上述的问题提出了两个异构迁移学习新方法,相比较于已有的异构迁移学习算法,本文所提算法具有较好的异构迁移学习能力。如下为本文两个异构迁移学习方法的主要工作:1)第一个工作是针对目标域中含少量标签样本的异构特征迁移新方法研究。虽然现有的异构特征迁移学习方法已取得重要发展,但依然面临如下的挑战:特征迁移学习的过程可解释性较差,阻碍了其更广泛的应用。面对上述挑战,本文提出了一种基于模糊推理规则的异构特征迁移学习框架,并基于该框架实现了一种基于模糊逻辑推理的异构特征迁移学习方法。所提方法通过利用TSK模糊系统的前件映射和后件映射将源域和目标域特征投影到一个公共特征子空间,实现了在模糊特征隐空间的有效特征迁移学习,因而也展现了较好的异构特征迁移学习能力。大量的实验研究表明与传统的异构迁移学习方法相比,本文方法的学习能力具有高度可竞争性,同时兼具较好的可解释性,因而具有广泛的应用前景。2)第二个工作是针对目标域中不含有标记示例的异构领域自适应新方法研究。异构领域自适应是异构迁移学习的一个分支,现有的异构领域自适应方法大多属于半监督方法,这些方法要求目标域中含有一部分已标记样本,然而这种数据集在很多异构领域自适应任务中是稀缺的。为了解决上述问题,本文提出了一种基于模糊规则学习的无监督异构领域自适应方法。一方面,所提方法基于TSK模糊系统的规则学习分别对源域和目标域进行特征学习,通过学习两个特征变换矩阵将源域和目标域投影到一个公共特征子空间。另一方面,为了减少因特征变换所造成的信息损失,所提方法采取了多种信息保持策略,并且最大化公共特征子空间中源域数据和目标域数据之间的相关性。通过在几个真实领域自适应数据集上进行实验,验证了本文所提算法相对于现有的异构领域自适应方法具有一定的优越性。
黄丕荣[2]（2021）在《云存储中可搜索加密技术的研究》文中指出随着信息技术的快速发展,云计算技术逐渐成为学术界和工业界研究的热点。云计算能为用户提供海量的数据存储和高效的数据处理能力,对于资源受限或者计算受限类型的用户,将数据外包给第三方云存储服务器能够降低软件和硬件维护带来的成本,减轻用户数据管理带来的负担。尽管云计算有许多优点,但是数据隐私性和机密性问题是当前数据外包中普遍存在的问题。解决这样的问题,可以先将数据进行加密再外包给云服务器进行存储,但是这样限制数据的可用性,包括数据的可计算性和可搜索性等问题。解决密文数据不可搜索的问题,是这种数据外包背景下面临的挑战之一。可搜索加密技术在保护用户数据隐私的同时能够使用户直接在加密数据上进行关键词检索操作。本文针对数据外包场景下存在不同的缺点和不足,从可搜索加密方案的功能性改进方面入手,分别提出了对应的解决方案。本文将研究点总结为:（1）在可搜索加密的方案中,如何保证检索结果的正确性和完整性?（2）在可搜索加密方案中,如何对用户进行访问控制?（3）在可搜索加密方案中,如何对加密数据进行模糊搜索?论文的主要研究成果包括:1.解决了在恶意模型下服务器可能存在的伪造、篡改检索结果等非法行为的问题。传统的可搜索加密方案大多是在诚实且好奇的模型下提出的,缺乏对检索结果的完整性和正确性的验证。由于云服务器并非完全可信,可能存在不正确执行用户检索请求的行为,因此需要对云服务器返回的检索结果进行验证。本文提出的第一个方案正是在此背景下提出来,针对传统可搜索加密方案缺少对检索结果验证不足的问题,设计基于双线性映射的可验证排序的可搜索加密方案。该方案基于倒排索引实现次线性搜索,通过插入字典的混淆关键字来抵抗恶意服务器的关键词频率攻击,基于双线性映射为关键词生成标签能识别出云服务器可能存在的篡改、伪造检索结果等行为。2.实现了基于属性加密支持属性撤销的多关键词搜索。在云存储环境中,用户的属性是动态变化的,例如用户的权限降低,用户会失去部分属性,但此时失去的部分属性对应的秘钥仍然在该用户手中,那么云存储环境下密文的访问和检索的安全性将得不到保障。针对目前基于属性的可搜索加密不支持属性撤销的问题,提出一种在云存储环境下,安全高效、可支持属性撤销的基于CP-ABE的连接关键字可搜索加密方案,采用LSSS访问结构效率高于传统的树形访问结构,并且该方案在通用模型下满足选择明文安全。该方案支持细粒度访问控制,具有较高计算效率。3.提出了一个多关键词模糊（Fuzzy Multi-Keywords Searchable Encryption,FMKSE）查询方案。相对于其它模糊关键词查询的方案,FMKSE采用欧式距离来衡量关键词之间的相似性,不需要预定义相似关键词字典,有效节约了存储空间。构造安全索引时,用Paillier加密算法加密桶中的倒排文件向量,保证了索引的安全性和隐私性。用户进行关键词查询时,只需要提交经过伪随机置换函数处理后的桶序号,保证了查询关键词的隐私性。并且查询期间只要进行一轮Paillier加解密运算,不需要顺序扫描各个索引项,具有较高的查询效率。
袁鸿[3]（2020）在《云环境下支持访问控制的安全密文模糊检索方案研究》文中认为随着计算机技术发展,数据量将会随着时间不断增长,物理存储数据已无法满足人们需求,于是越来越多的人将数据上传至云端,但是为了安全考虑,上传之前通常对数据进行加密。将数据加密之后再上传到云服务器的方式,在一定程度上实现了对数据的隐私保护,但是相应的问题也随之而来。当“云”用户需要在加密数据中查找文档时,需要先下载到本地物理存储设备,在明文状态下进行查询。为了解决这种困扰,许多学者对可搜索加密进行了研究。但是传统的可搜索加密只能够对密文数据进行精准检索,无法顾及到实际检索过程中可能出现的输入错误等问题,于是如何对密文状态下数据进行模糊检索成为新的研究热点。将数据上传到云环境,不仅仅减轻了本地的物理存储成本,同时也更方便实现数据共享。为了防止密文数据被“敌人”获取,数据拥有者在进行数据共享时需要对密文数据的检索实行访问控制,实行细粒度的授权搜索以保证信息安全。针对上述问题,本文对密文模糊检索和访问控制进行深入研究,提出了两个方案,以实现在云环境支持多用户访问控制的安全密文模糊检索。本文主要做了以下研究工作:（1）提出一种云环境下基于字形相似度的密文模糊检索方案,在查阅现有的中文密文全文检索方案后发现,现有的密文全文检索方案大多基于字音相似度进行,极少有基于字形相似度进行密文模糊检索的方案。然而有相关研究表明由于中文汉字的构词特性,字形相似导致的错别字是多于字音形似的,故本文提出了一种以字形相似度衡量编辑距离的密文模糊检索方案。方案通过逆向使用五笔字型编码的方式,将中文汉字转换为字形编码,再利用E2LSH和布隆过滤器构建安全索引与安全陷门,从而实现以字形相似度作为编辑距离,量化密文条件下的字形相似度。在进行检索时,通过安全陷门与安全索引进行内积,实现匹配与排序,可以做到多个关键字同时进行模糊检索,检索时匹配精确度较高,同时在时间和空间效率方面都具有良好的表现。（2）本文按照软件工程的规范要求对云环境下基于字形相似度的密文模糊检索方案进行了原型系统实现。按照软件工程的规范对方案进行需求分析和系统设计,并编码实现,最后对系统的功能进行了测试。（3）本文提出了一种云环境下支持对多用户进行访问控制的密文检索方案,针对公有云环境下多用户共享数据情况下,进行密文检索可能存在信息泄露的问题,给出了一种支持访问控制的密文模糊检索方案。方案通过CP-ABE方案实现在多数据拥有者的情况下的访问控制,实现了对授权用户的细粒度访问控制,同时方案对于对称加密密钥进行再次加密。本文方案在保留了密文模糊检索方案性能的同时在安全性方面也有了很大的提升。
周成江[4]（2020）在《矿浆管道输送系统的隔膜泵单向阀故障诊断研究》文中认为隔膜泵是矿浆管道输送的核心动力设备,它的运行状态直接影响矿物原料输送效率和企业生产效率。单向阀是隔膜泵的核心零件之一,具有良好的密封性和承压性,它的安全稳定运行保障了隔膜泵的运行效率及安全。恶劣的运行环境和频繁的往复运动导致单向阀极易损坏,且它的故障与结构、材质、矿浆特性和泵的工况等因素有关。冶金企业采用的单向阀故障诊断方法及维修更换策略依赖于主观经验,可靠性不高。此外,采集到的单向阀振动信号是由故障信号、多零件振动信号和噪声组成的非线性信号,且受到矿浆特性和工况变化的影响信号具有非平稳性,给单向阀故障诊断带来挑战。信息熵能有效度量非线性信号的复杂性,孪生支持向量机（Twin Support Vector Machines,TSVM）在非线性分类中性能良好,因此基于熵和TSVM研究单向阀的特征提取及故障诊断方法。主要工作有:（1）针对传统方法难以确定单向阀的运行状态和维修更换时间的问题,提出基于滑动散布熵（Sliding Dispersion Entropy,SDE）和自适应变分模态分解（Variational Mode Decomposition,VMD）的单向阀故障检测方法。首先引入滑动窗降采样和映射函数来提高单向阀的SDE特征的趋势性和表征性能,然后通过循环更新SDE特征和状态预警线,初步确定故障预警点,最后从振动信号能量和相关性的角度构造自适应VMD模型,进一步检测预警点附近单向阀的故障状态。SDE能跟踪单向阀的故障状态演化过程,并能更早地检测出故障预警点,自适应VMD能有效确定预警点处单向阀的故障状态。（2）针对单向阀故障特征提取中多尺度排列熵（Multiscale Permutation Entropy,MPE）存在信息丢失和抗噪性差的缺陷,以及TSVM模型精度不高的问题,提出改进多尺度加权排列熵（Improved Multiscale Weighted Permutation Entropy,IMWPE）的单向阀特征提取方法,并构建最小二乘孪生支持向量机（Least Squares Twin Support Vector Machines,LSTSVM）模型。首先引入复合粗粒度和排列模式加权的思想来解决单向阀信号的信息丢失问题,接着改进VMD并将其作为前置滤波器来提高特征的抗噪性能,最后提取单向阀的IMWPE特征并通过LSTSVM实现单向阀的故障诊断。仿真实验和单向阀故障诊断结果表明,IMWPE解决了MPE的信息丢失及抗噪性差的问题,提高了单向阀特征的稳定性及抗噪性能,LSTSVM提高了故障诊断精度。（3）针对单向阀的IMWPE特征存在的等值问题和效率低的问题,用散布模式替代排列模式并提取单向阀的多尺度散布熵（Multiscale Dispersion Entropy,MDE）特征。为了提高单向阀MDE特征的稳定性和精度,提出改进多尺度波动Rényi散布熵（Improved Multiscale Fluctuation Rényi Dispersion Entropy,IMFRDE）的单向阀特征提取方法,并构建最优二叉树（Optimal Binary Tree,OBT）LSTSVM诊断模型。首先通过改进粗粒度方法来提高单向阀熵值特征的稳定性,然后引入Rényi熵提高熵值特征的精度,最后提取单向阀的IMFRDE特征并通过OBT LSTSVM提高单向阀故障诊断精度。仿真实验和单向阀故障诊断结果表明,IMFRDE克服了IMWPE的缺陷,提高了单向阀MDE特征的稳定性和精度,OBT LSTSVM进一步提高了单向阀故障诊断精度。（4）针对噪声和状态模糊过渡等导致单向阀特征样本中存在离群点的问题,以及故障诊断模型泛化性能不佳的问题,提出模糊正则LSTSVM（Fuzzy Regularization Least Squares Twin Support Vector Machine,FRLSTSVM）模型,并与IMFRDE结合提高单向阀故障诊断的可靠性。首先提取单向阀的IMFRDE特征,其次将L2范数正则项引入LSTSVM的目标函数来提高模型的泛化性能,然后基于支持向量域描述（Support Vector Domain Description,SVDD）构造隶属度函数S3来解决样本离群点问题。与LSTSVM模型相比,在故障诊断中FRLSTSVM得到的平均精度提高,精度标准差减小,而且最小精度显着提高。结果表明,基于SVDD离群点检测和隶属度S3的FRLSTSVM模型的泛化性能和抗离群点能力更强,对参数的敏感性更低,可靠性更高。本文以矿浆管道输送中的隔膜泵单向阀为对象,完成了单向阀故障特征提取方法和故障诊断方法研究,为冶金行业机械零件的故障诊断提供了新方法。
陆云[5]（2020）在《基于脑电的听觉注意解码与情绪识别的认知计算研究》文中提出随着智能科学的发展,人工智能技术已取得了日新月异的进步,在一些应用中,现有人工智能已展现出了超越人类的解决问题能力和技术优势。近年来运用认知计算进行类脑人工智能技术开发,成为了研究者关注的焦点。现有的人工智能技术,虽然借助大数据分析和以深度学习为代表的机器学习方法实现了一定程度的类脑智能,但依旧没有获得跨越式的技术发展。面对复杂声音事件中听觉识别、语音理解以及情感决策等任务,现有的智能算法与信号处理技术依然表现得无能为力,而这些任务对人类而言人们凭借心理的觉察、注意、情绪认知等智能,往往能够轻易完成。这种认知智能是现有人工智能技术还不能轻易达到的。本文以听觉注意和心理情绪为研究对象,旨在从脑电活动中探索心理状态解码的认知计算方法,研究听觉目标注意识别、听觉选择性注意解码和跨个体心理情绪状态识别的认知计算方法构建与实现技术,赋予认知计算系统具有像人一样的注意认知智能和情绪感知智能,主要内容如下:对脑电信号解码方法展开了深入研究与分析。鉴于时间序列分解与重构方法和熵测度相结合的技术优势能够有效提高脑电信号解码性能,本文利用奇异谱分析（SSA）和熵测度相结合的方法来构建脑电信号解码方法。所设计的脑电解码方法先使用SSA方法从脑电信号中分解得到各阶SSA分量;然后基于脑电信号SSA分量,采用熵测度方法进行脑电熵特征提取;最后利用支持向量机作为模式分类器开展脑电信号解码任务。实验采用不同眼睛状态的脑电信号为例进行脑电解码性能测试。实验结果表明,所提出的脑电信号解码方法有效地提高了脑电信号解码的准确率,实现了眼睛状态的脑电识别任务的性能优化。对熵测度快速计算方法展开了深入研究与分析。为了提高近似熵、样本熵、多尺度熵等熵测度计算效率以增强其应用潜力,本文利用向量不相似判定准则来实现熵测度快速计算。该快速计算方法对熵测度计算步骤中最耗时的向量距离计算进行优化,通过构建一个向量不相似判断准则,在向量距离计算开始前对不相似向量进行预判断。实验利用仿真信号和真实脑电数据展开样本熵、近似熵、时移多尺度熵计算的时间性能测试,实验结果表明与传统方法的熵测度计算相比较,该熵测度快速计算方法能显着地降低算法的执行时间,有效提高了熵测度计算效率。对基于单次脑电信号的听觉注意解码展开了深入研究。利用脑电熵测度与机器学习相结合的方法,基于单次脑电信号建立了一种听觉目标注意识别方法。实验设计了包含三种听觉目标注意状态的听觉实验,采集了13名受试者的认知脑电数据进行研究。实验结果显示这一方法能够有效从单次脑电信号中实现听觉目标注意状态识别。本文还利用深度LSTM神经网络构建了一种听觉选择性注意解码方法。通过两说话人双耳分听范式的听觉实验,采集了21名受试者的认知脑电数据进行实验研究。实验数据显示所提出的方法对受试者听觉选择性注意的目标语音识别,获得优异的识别准确率。实验结果充分表明基于LSTM模型的听觉选择性注意解码方法能够从单次脑电信号中对听觉选择性注意实现高精度的解码。对基于脑电信号的跨个体心理情绪状态识别展开了深入研究。脑电情绪响应的个体差异性容易导致情绪识别方法的普适性及泛化能力存在局限性,本文利用动态样本熵模式学习构建了一种跨个体情绪识别方法。实验利用脑电情感数据集SEED对15名受试者开展跨个体情绪识别。通过与已有的相关研究结果比较,实验结果表明所提出的基于动态样本熵模式学习具有更有好的跨个体情绪识别性能,表现出了更好的普适性与泛化能力。所构建的跨个体情绪状态识别的认知计算方法,实现了脑电情绪模式识别的优化与创新,能够从脑电信号中对人们的心理情绪状态进行有效预测。本文通过对听觉注意与心理情绪状态的脑电解码研究,从脑电活动中构建了心理状态解码的认知计算方法,能够对相关心理状态进行预测,可赋予认知计算系统拥有像人一样的注意认知智能和情绪感知智能。
万鹏[6]（2020）在《Hopfield神经网络的多稳定性和稳定周期解的脉冲控制问题研究》文中研究指明人工神经网络,是从信息处理角度对生物神经网络进行抽象而建立的数学模型。随着人工神经网络的研究工作不断深入,其在模式分割、智能机器人、自动控制、预测估计、故障诊断、系统辨识等领域已成功地解决了许多现代计算机难以解决的实际问题,显示出了良好的智能特性,这些智能特性主要取决于神经网络的动力学行为。多稳定性是描述多个稳定平衡态或周期解共存的概念。这种动力学行为在神经网络的一些应用中是必不可少的,包括图像处理、模式识别和联想记忆存储。Hopfield型神经网络,已经成为吸引大量多稳定性研究兴趣的主要模型。在实际生活中,周期函数能很好地描述系统的发展过程,比如生态系统、机械震动、市场供需、交通系统、生物活动中的心跳和记忆等等,而这些实际问题都可以总结为讨论微分方程周期解的稳定性。基于此,本文研究了Hopfield神经网络多稳定性和产生全局稳定周期解的控制策略问题。在神经网络的理论研究中,神经网络的动力学行为与时滞、不确定性、随机噪声和扩散现象关系密切。近二十年来,众多学者考虑在这些因素下,如何保证Hopfield神经网络的全局稳定性或者局部稳定性,相关的研究成果层出不穷。然而,针对带有反应扩散项、脉冲效应和混合时滞的神经网络,如何利用矩阵凸组合和线性矩阵不等式技巧获得保守性更低的全局稳定周期解的存在唯一性条件,仍需深入研究。当分段线性、非饱和、非连续非单调激活函数出现在离散时间、连续时间、分数阶、Takagi-Sugeno模糊神经网络中,如何分析其单稳定性和多稳定性是一个难题。对于不稳定的时滞神经网络,如何设计脉冲控制器使得神经网络产生全局稳定周期解。针对这些问题,本文以离散时间、连续时间、分数阶、TakagiSugeno模糊、随时间切换、惯性反应扩散神经网路为研究对象。从分段线性,非饱和分段线性和非连续非单调激活函数的几何属性角度出发,充分运用严格对角占优矩阵、收缩映射、不动点定理、Ascoli-Arzela定理和凸组合方法,构造适当的Lyapunov-Krasovskii泛函,本文完成的主要工作包括:（1）对离散神经网络和四元数神经网络进行了多稳定性分析。一类分段线性激活函数,使神经网络的存储容量大大提高。根据分段线性激活函数的几何性质,将n维欧式空间划分为许多超矩形区域。利用Schauder不动点定理和严格对角占优矩阵,给出了神经网络在各超矩形区域内平衡点存在唯一性的几个充分条件,证明了保证神经网络平衡点的局部渐近稳定性和其它平衡点的不稳定性的充分条件,估计了局部稳定平衡点的吸引域。估计得到的离散神经网络局部稳定平衡点的吸引域是超球形区域,可以比原矩形区域大。在没有其他条件的情况下,估计得出的四元数神经网络局部稳定平衡点的吸引域是超矩形区域,而且肯定比原来的矩形区域要大。（2）不饱和分段线性激活函数具有计算简单快速和避免梯度消失等优点,这种激活函数是许多成功的前馈神经网络的重要组成部分。针对具有不饱和分段线性激活函数的分数阶神经网络,研究了其概周期解的单稳定性和多稳定性,给出了一些全局Mittag-Leffler吸引集,并通过Ascoli-Arzela定理证明了全局Mittag-Leffler稳定概周期解的存在唯一性。利用局部正不变集,给出了保证概周期解的局部Mittag-Leffler稳定性的充分条件,证明了在每个正不变集内都存在一个局部Mittag-Leffler稳定的概周期解,所有轨迹都收敛于该正不变集内的这个周期轨迹。（3）讨论了具有非单调不连续激活函数和时变时滞的Takagi-Sugeno模糊神经网络概周期解的多稳定性问题。根据非单调不连续激活函数的几何性质,利用Ascoli-Arzela定理和不等式技术,证明了在一定条件下,该网络在某些超矩形区域具有局部指数稳定的概周期解,还估计了局部稳定概周期解的吸引域。理论成果包括有界性、全局吸引性、多稳定性、吸引域等,可推广到具有非单调不连续激活函数的Takagi-Sugeno模糊神经网络概周期解的单稳定性和多稳定性,弥补多稳定性在模糊神经网路领域的空白。（4）针对具有离散和有限分布时变时滞的惯性反应扩散神经网络和随时间切换的神经网络,提出了一种新的周期脉冲控制策略。为了降低全局一致指数收敛准则的保守性,提出了利用可调参数和矩阵二次、三次凸组合方法,研究了两种网络的有界性和Lagrange稳定性。利用压缩映射定理和脉冲时滞相关的LyapunovKrasovskii泛函方法,给出了周期解存在性、唯一性和全局指数稳定性的充分条件。需要指出的是,所述的Lyapunov-Krasovskii泛函包括三重积分项和新的四重积分项,将减少神经网络稳定性条件的保守性。即使原始神经网络模型是不稳定的,甚至发散的,两类神经网络也可以通过脉冲控制生成全局指数稳定的周期解。
李慧[7]（2020）在《I-fuzzy拓扑线性空间中若干问题研究》文中指出本文主要利用应明生教授提出的新方法—Fuzzy逻辑,在Fuzzifying拓扑线性空间的基础上,将研究对象（点和集合）模糊化,对原空间进行了推广,得到更一般情形的I-fuzzy拓扑线性空间,并在这类空间中做了较系统较深入的研究,初步建立了I-fuzzy拓扑线性空间的理论框架.全文主要工作安排如下:（1）基于Fuzzifying拓扑线性空间理论知识,利用Fuzzy逻辑的方法,对Fuzzifying拓扑线性空间进行推广得到了更复杂的I-fuzzy拓扑线性空间,相应地给出新空间的合理化定义.一方面,我们在I-fuzzy拓扑线性空间中引入任意Fuzzy点xλ的I-fuzzy重域系,并研究了它的相关性质;与此同时,又以特殊的零元重域系为对象,结合平衡集的相关知识详细讨论了利用零元的平衡重域系该如何来描述I-fuzzy拓扑线性空间;另一方面,研究了新空间中I-fuzzy凸及其相应的拓扑性质与代数性质.（2）为进一步对I-fuzzy拓扑线性空间进行很好的描述,我们结合I-fuzzy拓扑空间中重域系与重域基的关系,在I-fuzzy拓扑线性空间中引入零元局部基,研究了它的一些性质之后,通过仔细的分析与讨论,最后证明了 I-fuzzy拓扑线性空间可以通过零元局部基来刻划.（3）在给出I-fuzzy拓扑线性空间中的一些基本概念之后,我们继续利用Fuzzy逻辑的方法深入研究了该类空间的一些基本性质,如分离性、有界与完全有界性,最重要的是,我们还通过网收敛对I-fuzzy有界进行了等价刻划.（4）在文章的最后从算子角度入手在I-fuzzy拓扑线性空间中引入I-fuzzy有界线性算子的概念,进而讨论了 I-fuzzy连续性算子I-fuzzy有界性算子之间的关系.
孟丽媛[8]（2020）在《模糊不定拓扑线性空间和不分明化sp-拓扑空间的若干问题研究》文中研究表明本文研究两类模糊拓扑空间,一是在线性空间上利用模糊不定映射给出的模糊不定拓扑线性空间,二是基于逻辑值语义方法研究的不分明化sp-拓扑空间。本文的主要内容如下:一、定义了模糊点的模糊不定映射并且研究了它的性质,给出了模糊不定拓扑线性空间的概念,并且证明了模糊不定拓扑线性空间的模糊拓扑平移不变性。二、给出了模糊半重域基和模糊半重域系的概念,借助??的模糊半开重域基刻画模糊不定拓扑线性空间,在此基础上定义了模糊不定有界和模糊全不定有界,并且得到了模糊?-不定有界集的线性性质。三、定义了函数空间上的模糊不定拓扑线性空间,证明了两个模糊不定拓扑线性空间之间构成的函数空间存在唯一的拓扑,并且该函数空间和拓扑可以构成模糊不定拓扑线性空间。四、利用逻辑值语义给出不分明化sp-开集和不分明化sp-拓扑空间的概念,讨论了不分明化的sp-开集、sp-邻域、sp-闭包及sp-内部等性质,定义了不分明化sp-连续映射,引入了范畴FSPTop,证明了范畴FSPTop是范畴Set上的拓扑范畴。
周鑫[9]（2020）在《Novikov代数和L-值范畴及其应用》文中提出本论文的主要内容分为三部分.第一部分,研究了 Novikov代数的结构与分类.首先,构造了两类无穷维Novikov代数并给出了它们的具体实现.其次,研究了 Novikov代数的拟导子和拟型心,指出了 Novikov代数A在QDer（A）=End（A）时的分类情况.同时说明了A的拟导子可以嵌入到更大的一类Novikov代数的导子代数之中.第二部分,研究了L-fuzzy集合范畴和L-fuzzy左R-模范畴等L-值范畴的结构,其中L表示完备的Heyting代数.首先,证明了 L-fuzzy集合范畴Set（L）与L-flou集合范畴Set（fL）的同构关系.其次,讨论了几种真值集不同的模糊集,得出它们都是特殊的模糊理论.指出了模糊理论所对应的范畴与由模糊理论诱导的单子所构造的Kleisli范畴的一一对应关系.再次,给出了 L-fuzzy左R-模范畴中极限、余极限的有点式和无点式刻画,分别得到了L-fuzzy左R-模范畴中极限、余极限的存在性、唯一性和结构性定理,并讨论了L-fuzzy左R-模范畴中极限与余极限的关系,指出了极限函子与常量系统函子的伴随性.最后,引入函子L-ext和函子L-Ext的概念,并证明了它们的同构关系.第三部分,研究了 L-值范畴在Novikov代数中的应用.首先,引入了L-fuzzy左对称子代数、L-fuzzy Novikov子代数和L-fuzzy邻接李代数的概念,讨论了几类常见左对称代数、Novikov代数的L-fuzzy代数结构.此外,将L-fuzzy理论应用到Novikov代数上,给出了Novikov代数的L-fuzzy理想和子代数的概念,得到了L-fuzzy子空间成为L-fuzzy理想的充分必要条件,证明了对于L-fuzzy理想的商代数可以同构于一个非L-fuzzy理想的商代数。
马翔[10]（2020）在《基于模糊规则的图像深度特征学习》文中研究表明图像特征学习是计算机视觉和机器学习领域的重要研究内容,计算机视觉中的很多任务如图像分类、目标检测、图像分割等,首先会利用图像特征学习方法抽取原始图像的特征,然后再根据具体的任务实现相应的目标。根据目前的研究,当前流行的图像特征学习方法是子空间学习和深度神经网络,这些方法无需人工参与即可自动地通过端到端的训练提取高效的特征来用于分类识别等任务。然而,子空间学习方法在核方法的选择上存在一些不足。深度神经网络图像特征抽取方法目前也面临着诸多挑战,其有效性严重依赖大规模的数据,且通常被视为黑盒模型,解释性较差。针对上述问题,本文在图像特征学习领域展开研究,如下为本文的三个主要工作:1)第一个工作是以TSK模糊系统为基础,提出了一种基于模糊规则的图像特征学习的模型,使得模型具备模糊系统强大的学习能力和较好的可解释性。不同于经典的模糊系统通常用于分类和回归任务,本文把TSK模糊系统视为一个特征抽取模型用于图像特征的抽取。本文把TSK模糊系统的前件部分视为将图像数据从原始空间映射到高维空间的一种非线性转换,模型的后件部分可以根据需求选择不同的特征学习目标准则,避免了核函数选择的同时也使得模型具有了非线性抽取特征的能力。本文以所提的模型为基本框架,提出了两个具体的图像特征学习方法。2)第二个工作是在所提模型结构的深度上进行探索,提出了基于模糊规则的图像深度特征学习方法。该方法通过堆叠多层TSK图像特征学习模块的方式,实现图像特征的递进深度抽取,有效地综合了模糊系统具有可解释性的优点和深度学习架构的递进抽取特征的特点。其次,该方法特征学习的过程是前向进行的,不需要进行反向传播和迭代学习,因而具有较高的学习效率。为了在特征抽取的过程中保持图像数据的结构,该方法在每层的特征学习阶段采用主成分分析来保持数据的几何性质。3)第三个工作是在所提模型结构的宽度上进行探索,提出了基于模糊规则的多粒度图像特征学习方法。该方法通过引入多粒度窗口扫描策略,融合多个粒度下TSK-FS图像特征学习提取的特征,使得特征抽取能力进一步提升。为了尽可能保留原数据的判别信息,使得数据在低维空间中具有最佳的可分离性,本文在特征学习阶段采用线性判别分析来保持数据的判别信息。本文在不同规模的图像数据集上对所提的两种方法进行了充分的实验,实验结果表明两种方法在图像数据集上均具有较好的有效性,且对噪声、遮挡和光照等干扰因素有较强的鲁棒性。
二、Fuzzy线性映射（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、Fuzzy线性映射（论文提纲范文）
（1）基于模糊系统的异构迁移学习算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究动态 |
| 1.2.1 同构迁移学习研究现状 |
| 1.2.2 异构迁移学习研究现状 |
| 1.2.3 糊系统在迁移学习中的研究现状 |
| 1.3 本文主要研究内容 |
| 1.4 本文组织结构 |
| 第2章 相关工作 |
| 2.1 多输出TSK模糊特征学习介绍 |
| 2.2 度量准则介绍 |
| 2.2.1 欧式距离 |
| 2.2.2 闵可夫斯基距离 |
| 2.2.3 马氏距离 |
| 2.2.4 相似度 |
| 2.2.5 KL散度与JS距离 |
| 2.2.6 最大均值差异 |
| 2.3 本章小结 |
| 第3章 基于可解释性规则的异构特征迁移学习模型 |
| 3.1 引言 |
| 3.2 基于模糊推理规则的异构特征迁移学习框架 |
| 3.3 TSK-FS-HEFTL算法实现 |
| 3.3.1 目标函数构建 |
| 3.3.2 联合分布匹配 |
| 3.3.3 局部信息保持 |
| 3.3.4 全局信息保持 |
| 3.3.5 最终目标函数及求解 |
| 3.4 计算复杂度 |
| 3.5 实验 |
| 3.5.1 数据集 |
| 3.5.2 实验设置 |
| 3.5.3 性能分析 |
| 3.5.4 参数分析 |
| 3.6 本章小结 |
| 第4章 基于模糊规则学习的无监督异构领域自适应模型 |
| 4.1 引言 |
| 4.2 基于TSK-FS的无监督异构领域自适应 |
| 4.2.1 概念描述 |
| 4.2.2 公共特征子空间构造 |
| 4.2.3 分布差异最小化 |
| 4.2.4 领域相关性最大化 |
| 4.2.5 源域判别信息保持 |
| 4.2.6 目标域结构信息保持 |
| 4.2.7 目标函数优化 |
| 4.3 实验结果和分析 |
| 4.3.1 数据集 |
| 4.3.2 实验设置 |
| 4.3.3 实验结果分析 |
| 4.3.4 参数分析 |
| 4.4 本章小结 |
| 主要结论与展望 |
| 主要结论 |
| 展望 |
| 致谢 |
| 参考文献 |
| 附录:作者在攻读硕士学位期间发表的论文 |
（2）云存储中可搜索加密技术的研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.1.1 云存储的概述 |
| 1.1.2 云存储中面临的安全问题 |
| 1.2 研究现状 |
| 1.2.1 可搜索加密技术 |
| 1.2.2 可验证的可搜索加密 |
| 1.2.3 基于属性的可搜索加密 |
| 1.3 本文研究内容 |
| 1.4 章节安排 |
| 第二章 预备知识 |
| 2.1 相关基础知识 |
| 2.1.1 双线性映射 |
| 2.1.2 困难性假设 |
| 2.1.3 哈希函数 |
| 2.1.4 访问结构 |
| 2.1.5 线性秘密共享方案 |
| 2.1.6 基于属性加密 |
| 2.1.7 可证明安全理论 |
| 2.2 本章小结 |
| 第三章 基于双线性对可验证的多关键词搜索方案 |
| 3.1 方案概述 |
| 3.2 系统模型与语法定义 |
| 3.2.1 系统模型 |
| 3.2.2 语法定义 |
| 3.2.3 安全模型 |
| 3.2.4 安全定义 |
| 3.2.5 预备知识 |
| 3.3 方案构造 |
| 3.3.1 符号说明 |
| 3.3.2 VRCRS具体方案构造 |
| 3.4 方案分析 |
| 3.4.1 正确性分析 |
| 3.4.2 可靠性分析 |
| 3.4.3 安全性分析 |
| 3.5 实验结果和性能分析 |
| 3.5.1 功能对比 |
| 3.5.2 性能对比 |
| 3.6 本章小结 |
| 第四章 基于属性加密支持属性撤销的多关键词搜索方案 |
| 4.1 方案概述 |
| 4.2 系统模型与语法定义 |
| 4.2.1 系统模型 |
| 4.2.2 语法定义 |
| 4.2.3 方案目标 |
| 4.2.4 安全模型 |
| 4.3 方案构造 |
| 4.3.1 符号说明 |
| 4.3.2 具体方案 |
| 4.4 方案分析 |
| 4.4.1 正确性分析 |
| 4.4.2 安全性分析 |
| 4.5 实验结果和性能分析 |
| 4.5.1 功能对比 |
| 4.5.2 存储开销对比 |
| 4.5.3 计算开销对比 |
| 4.5.4 实验对比 |
| 4.6 本章小结 |
| 第五章 基于PAILLIER和局部敏感哈希的多关键词模糊搜索方案 |
| 5.1 方案概述 |
| 5.2 系统模型与语法定义 |
| 5.2.1 系统模型 |
| 5.2.2 语法定义 |
| 5.2.3 安全定义 |
| 5.2.4 预备知识 |
| 5.3 方案构造 |
| 5.3.1 符号说明 |
| 5.3.2 FKMSE具体方案构造 |
| 5.4 方案分析 |
| 5.4.1 正确性分析 |
| 5.4.2 安全性分析 |
| 5.5 实验结果和性能分析 |
| 5.5.1 功能比较 |
| 5.5.2 性能比较 |
| 5.5.3 性能测试 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文总结 |
| 6.2 未来工作展望 |
| 6.3 主要创新点 |
| 参考文献 |
| 致谢 |
| 攻读学位期间论文发表情况 |
（3）云环境下支持访问控制的安全密文模糊检索方案研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.2.1 精确检索 |
| 1.2.2 模糊检索 |
| 1.2.3 密文访问控制研究 |
| 1.3 研究内容 |
| 1.4 论文结构 |
| 第二章 基础知识 |
| 2.1 云计算 |
| 2.2 密文模糊检索 |
| 2.2.1 布隆过滤器 |
| 2.2.2 欧氏距离 |
| 2.2.3 p-稳定分布的欧氏局部敏感哈希 |
| 2.2.4 五笔字型输入法 |
| 2.3 密文访问控制 |
| 2.3.1 基于密文策略属性加密算法 |
| 2.3.2 访问结构 |
| 2.3.3 线性秘密共享 |
| 2.3.4 拉格朗日插值法 |
| 2.3.5 D-Parallel BDHE假设 |
| 2.4 本章小结 |
| 第三章 基于字形相似度的密文模糊检索方案 |
| 3.1 系统模型与符号定义 |
| 3.1.1 系统模型 |
| 3.1.2 符号定义 |
| 3.2 方案与算法设计 |
| 3.2.1 字形相似度 |
| 3.2.2 算法实现 |
| 3.3 方案实现 |
| 3.4 安全性及实验结果分析 |
| 3.4.1 安全分析 |
| 3.4.2 性能测试 |
| 3.5 本章小结 |
| 第四章 基于字形相似度的密文模糊检索原型系统的设计与实现 |
| 4.1 需求分析 |
| 4.2 系统设计 |
| 4.3 系统环境 |
| 4.4 系统测试 |
| 4.5 本章小结 |
| 第五章 云环境下支持对多用户进行访问控制的密文检索方案 |
| 5.1 系统模型与符号定义 |
| 5.1.1 系统模型 |
| 5.1.2 符号定义 |
| 5.2 算法设计 |
| 5.2.1 初始化算法 |
| 5.2.2 私钥生成算法 |
| 5.2.3 安全索引生成算法 |
| 5.2.4 加密与授权算法 |
| 5.2.5 安全陷门生成 |
| 5.2.6 权限认证算法 |
| 5.2.7 检索与解密算法 |
| 5.2.8 用户撤销算法 |
| 5.3 方案设计与实现 |
| 5.4 安全分析 |
| 5.5 性能分析与测试 |
| 5.5.1 功能比较 |
| 5.5.2 计算开销 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 工作总结 |
| 6.2 未来工作展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间参加的科研项目 |
| 攻读学位期间投稿的学术论文 |
（4）矿浆管道输送系统的隔膜泵单向阀故障诊断研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 隔膜泵单向阀故障特性 |
| 1.2.1 冶金矿浆管道及隔膜泵概述 |
| 1.2.2 隔膜泵单向阀故障特性 |
| 1.3 隔膜泵单向阀故障诊断研究现状 |
| 1.3.1 单向阀故障机理分析研究现状 |
| 1.3.2 单向阀故障特征提取研究现状 |
| 1.3.3 单向阀故障状态识别研究现状 |
| 1.4 信息熵和SVM在故障诊断中的研究现状 |
| 1.4.1 信息熵在故障诊断中的研究现状 |
| 1.4.2 SVM在故障诊断中的研究现状 |
| 1.5 研究内容和创新点 |
| 1.5.1 存在的问题 |
| 1.5.2 研究内容和创新点 |
| 1.6 论文章节安排 |
| 第二章 基于滑动散布熵和自适应VMD的单向阀故障检测方法 |
| 2.1 引言 |
| 2.2 单向阀振动分析与信号采集 |
| 2.2.1 单向阀水力特性分析 |
| 2.2.2 单向阀振动信号采集 |
| 2.2.3 单向阀振动信号特性 |
| 2.3 基于滑动散布熵和自适应VMD的单向阀故障检测 |
| 2.3.1 滑动散布熵 |
| 2.3.2 自适应变分模态分解 |
| 2.3.3 单向阀故障检测实现流程 |
| 2.4 实验验证及结果分析 |
| 2.5 本章小结 |
| 第三章 基于改进多尺度加权排列熵的单向阀故障特征提取方法 |
| 3.1 引言 |
| 3.2 改进多尺度加权排列熵 |
| 3.2.1 多尺度排列熵 |
| 3.2.2 改进多尺度加权排列熵 |
| 3.2.3 仿真实验验证 |
| 3.3 最小二乘孪生支持向量机 |
| 3.3.1 孪生支持向量机 |
| 3.3.2 最小二乘孪生支持向量机 |
| 3.3.3 多分类器构造 |
| 3.4 基于IMWPE和 LSTSVM的单向阀故障诊断 |
| 3.5 实验验证及结果分析 |
| 3.6 本章小结 |
| 第四章 基于改进多尺度波动Rényi散布熵的单向阀故障特征提取方法 |
| 4.1 引言 |
| 4.2 多尺度散布熵及衍生方法 |
| 4.2.1 排列熵与散布熵的关系 |
| 4.2.2 波动散布熵 |
| 4.2.3 多尺度散布熵及衍生方法 |
| 4.3 改进多尺度波动Rényi散布熵 |
| 4.3.1 改进多尺度波动Rényi散布熵 |
| 4.3.2 参数对IMFRDE的影响 |
| 4.3.3 IMFRDE的性能分析 |
| 4.4 最优二叉树最小二乘孪生支持向量机 |
| 4.5 基于IMFRDE和 OBT LSTSVM的单向阀故障诊断 |
| 4.6 实验验证及结果分析 |
| 4.7 本章小结 |
| 第五章 基于模糊正则LSTSVM的单向阀故障诊断方法 |
| 5.1 引言 |
| 5.2 正则最小二乘孪生支持向量机 |
| 5.2.1 L_2范数正则化 |
| 5.2.2 正则最小二乘孪生支持向量机 |
| 5.2.3 模型评估体系 |
| 5.3 模糊正则最小二乘孪生支持向量机 |
| 5.3.1 离群点检测方法 |
| 5.3.2 模糊隶属度函数构造 |
| 5.3.3 模糊正则最小二乘孪生支持向量机 |
| 5.4 基于IMFRDE和 FRLSTSVM的单向阀故障诊断 |
| 5.5 实验验证及结果分析 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 研究工作总结 |
| 6.2 研究工作展望 |
| 致谢 |
| 参考文献 |
| 附录 A 攻读博士学位期间取得的成果 |
| 附录 B 攻读博士学位期间参与的科研项目 |
（5）基于脑电的听觉注意解码与情绪识别的认知计算研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 主要缩写和符号 |
| 第1章 绪论 |
| 1.1 课题的研究背景 |
| 1.1.1 认知计算 |
| 1.1.2 听觉注意 |
| 1.1.3 情绪与情感 |
| 1.2 课题研究的目的及意义 |
| 1.3 国内外研究现状 |
| 1.3.1 听觉注意解码及其相关研究的发展概况 |
| 1.3.2 心理情绪状态识别及其相关研究的发展概况 |
| 1.4 现有相关研究工作的评述 |
| 1.5 本文主要研究内容 |
| 第2章 基于奇异谱分析和熵测度的脑电信号解码方法研究 |
| 2.1 引言 |
| 2.2 基于脑电的心理状态解码主要原理 |
| 2.2.1 脑电信号解码的基本框架 |
| 2.2.2 脑电熵特征 |
| 2.2.3 机器学习 |
| 2.2.4 性能度量 |
| 2.3 基于熵测度的脑电信号解码方法 |
| 2.4 基于SSA和熵测度相结合的脑电信号解码方法 |
| 2.4.1 所提出的脑电信号解码算法的系统框图 |
| 2.4.2 奇异谱分析 |
| 2.4.3 脑电信号的SSA分解与重构 |
| 2.4.4 基于SSA方法和熵测度的脑电熵特征提取 |
| 2.4.5 模式分类器 |
| 2.5 算法性能测试 |
| 2.5.1 实验设置 |
| 2.5.2 脑电熵特征的统计分析 |
| 2.5.3 眼睛状态的脑电识别结果 |
| 2.6 本章小结 |
| 第3章 基于向量不相似判定准则的熵测度快速算法研究 |
| 3.1 引言 |
| 3.2 熵测度方法的应用缺点 |
| 3.3 熵测度快速计算方法研究现状 |
| 3.4 利用VDS判定准则实现熵测度快速计算 |
| 3.4.1 熵测度计算流程分析 |
| 3.4.2 向量不相似判定准则 |
| 3.4.3 基于VDS方法的样本熵加速计算算法 |
| 3.4.4 不相似向量的占比分析 |
| 3.5 算法性能测试 |
| 3.5.1 实验设置 |
| 3.5.2 仿真信号的样本熵计算结果与讨论 |
| 3.5.3 脑电信号的样本熵计算结果与讨论 |
| 3.5.4 时移多尺度熵和近似熵计算结果与讨论 |
| 3.5.5 算法参数对熵测度计算效率的影响 |
| 3.6 本章小结 |
| 第4章 利用单次脑电实现听觉注意解码的认知计算 |
| 4.1 引言 |
| 4.2 听觉注意与神经影像学证据 |
| 4.2.1 听觉感知与选择性注意 |
| 4.2.2 基于对象的听觉注意 |
| 4.3 基于熵测度和机器学习的听觉目标注意识别 |
| 4.3.1 听觉目标注意的实验方案 |
| 4.3.2 研究方法 |
| 4.3.3 实验结果与分析 |
| 4.4 基于LSTM模型的听觉选择性注意解码 |
| 4.4.1 听觉选择性注意的实验方案 |
| 4.4.2 研究方法 |
| 4.4.3 实验结果 |
| 4.5 本章小结 |
| 第5章 动态熵模式学习实现跨个体情绪识别的认知计算 |
| 5.1 引言 |
| 5.2 基于生理信号情绪识别的研究难点 |
| 5.3 基于熵测度的脑电情绪模式学习 |
| 5.4 基于动态熵模式学习的心理情绪状态识别 |
| 5.4.1 跨个体情绪效价识别的系统框图 |
| 5.4.2 情绪脑电数据 |
| 5.4.3 动态样本熵 |
| 5.4.4 特征降维 |
| 5.4.5 模式分类器 |
| 5.5 实验结果与讨论 |
| 5.5.1 脑电动态样本熵的统计分析 |
| 5.5.2 脑电动态样本熵的时域剖面分析 |
| 5.5.3 跨个体情绪效价识别的结果 |
| 5.6 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间发表的论文及其它成果 |
| 致谢 |
| 个人简历 |
（6）Hopfield神经网络的多稳定性和稳定周期解的脉冲控制问题研究（论文提纲范文）
| 摘要 |
| 英文摘要 |
| 符号标记 |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 研究现状 |
| 1.2.1 离散神经网络的动力学行为的研究进展 |
| 1.2.2 分数阶神经网络的动力学行为研究现状 |
| 1.2.3 神经网络多稳定性的研究现状 |
| 1.2.4 神经网络全局稳定周期解脉冲控制策略的研究现状 |
| 1.3 神经网络多稳定性和脉冲控制策略目前存在的问题 |
| 1.4 问题的提出及研究意义 |
| 1.4.1 问题的提出 |
| 1.4.2 问题的研究意义 |
| 1.5 论文主要工作 |
| 1.6 本章小结 |
| 2 带有非单调分段线性激活函数离散神经网络的多稳定性 |
| 2.1 引言 |
| 2.2 问题描述 |
| 2.3 多平衡点的存在唯一性分析 |
| 2.4 多平衡点的局部稳定性或不稳定性分析 |
| 2.5 局部稳定平衡点的吸引域估计 |
| 2.6 数值实验 |
| 2.7 本章小结 |
| 3 带有不连续分段线性激活函数的四值神经网路的多稳定性 |
| 3.1 引言 |
| 3.2 问题描述 |
| 3.3 有界性和全局吸引性分析 |
| 3.4 多平衡点的存在唯一性分析 |
| 3.5 多平衡点的局部稳定性分析 |
| 3.6 多平衡点的不稳定性分析 |
| 3.7 局部稳定平衡点的吸引域估计 |
| 3.8 数值实验 |
| 3.9 本章小结 |
| 4 带有非饱和激活函数分数阶神经网络概周期解的多稳定性 |
| 4.1 引言 |
| 4.2 问题描述 |
| 4.3 全局MITTAG-LEFFLER稳定概周期解的存在性分析 |
| 4.4 概周期解的多稳定性分析 |
| 4.5 数值实验 |
| 4.6 本章小结 |
| 5 带有非连续激活函数模糊神经网络周期解的多稳定性 |
| 5.1 引言 |
| 5.2 问题描述 |
| 5.3 有界性和全局吸引性分析 |
| 5.4 函数类型A |
| 5.5 函数类型B |
| 5.6 数值实验 |
| 5.7 本章小结 |
| 6 随时间切换神经网路产生全局稳定周期解的脉冲控制 |
| 6.1 引言 |
| 6.2 问题描述 |
| 6.3 有界性和LAGRANGE稳定性分析 |
| 6.4 全局指数稳定周期解存在性分析 |
| 6.5 数值实验 |
| 6.6 本章小结 |
| 7 惯性反应扩散神经网路产生全局稳定周期解的脉冲控制 |
| 7.1 引言 |
| 7.2 问题描述 |
| 7.3 有界性和LAGRANGE稳定性分析 |
| 7.4 全局指数稳定周期解存在性分析 |
| 7.5 数值实验 |
| 7.6 本章小结 |
| 8 总结与展望 |
| 8.1 工作总结与创新成果 |
| 8.2 工作展望 |
| 参考文献 |
| 附录 |
| 附录A.预备知识 |
| 附录B.攻读博士学位期间参与的学术活动 |
| 附录C.学位论文数据集 |
| 致谢 |
（7）I-fuzzy拓扑线性空间中若干问题研究（论文提纲范文）
| 中文摘要 |
| ABSTRACT |
| 第1章 引言 |
| 第2章 预备知识 |
| 2.1 Fuzzifying拓扑空间与I-fuzzy拓扑空间 |
| 2.2 Fuzzifying拓扑线性空间 |
| 第3章 I-fuzzy拓扑线性空间重域系及I-fuzzy凸 |
| 3.1 I-fuzzy拓扑线性空间及重域系 |
| 3.2 I-fuzzy凸集及其相关性质 |
| 第4章 同胚及零元局部基 |
| 4.1 I-fuzzy拓扑线性空间中的同胚 |
| 4.2 I-fuzzy拓扑线性空间中零元局部基 |
| 第5章 I-fuzzy拓扑线性空间基本性质研究 |
| 5.1 分离性 |
| 5.2 有界与完全有界性 |
| 第6章 I-fuzzy拓扑线性空间中的线性算子 |
| 6.1 线性算子 |
| 参考文献 |
| 致谢 |
| 附录: 硕士研究生期间主要研究成果 |
（8）模糊不定拓扑线性空间和不分明化sp-拓扑空间的若干问题研究（论文提纲范文）
| 中文摘要 |
| ABSTRACT |
| 引言 |
| 第1章 预备知识 |
| 1.1 模糊集合论及模糊拓扑线性空间理论 |
| 1.2 模糊逻辑及范畴论 |
| 第2章 模糊不定拓扑线性空间的概念及性质 |
| 2.1 模糊不定映射 |
| 2.2 模糊不定拓扑线性空间的概念及性质 |
| 第3章 借助θ_λ的模糊半开重域基刻画模糊不定拓扑线性空间以及模糊λ-不定有界和模糊λ-全不定有界 |
| 3.1 借助θ_λ的模糊半开重域基刻画模糊不定拓扑线性空间 |
| 3.2 模糊λ-不定有界和模糊λ-全不定有界 |
| 第4章 函数空间上的模糊不定拓扑线性空间 |
| 第5章 不分明化sp-拓扑空间及范畴FSPTop的拓扑性 |
| 5.1 不分明化sp-拓扑空间 |
| 5.2 不分明化sp-邻域 |
| 5.3 不分明化sp-闭包和不分明化sp-内部 |
| 5.4 范畴FSPTop的拓扑性 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文目录 |
（9）Novikov代数和L-值范畴及其应用（论文提纲范文）
| 中文摘要 |
| Abstract |
| 第1章 引言 |
| 第2章 Novikov代数研究 |
| 2.1 两类无穷维Novikov代数及其邻接李代数 |
| 2.1.1 预备知识 |
| 2.1.2 一类无穷维Novikov代数及其邻接李代数的构造 |
| 2.1.3 另一类无穷维Novikov代数及其邻接李代数的构造 |
| 2.2 Novikov代数的拟导子及拟型心 |
| 2.2.1 预备知识 |
| 2.2.2 Novikov代数的广义导子代数 |
| 2.2.3 Novikov代数的拟导子和拟型心 |
| 第3章 L—值范畴研究 |
| 3.1 L-Flou集范畴及其层表示 |
| 3.1.1 预备知识 |
| 3.1.2 范畴Set(L)、范畴Set(fL)和范畴Set_L(SH)的同构关系 |
| 3.2 范畴C(T)与Kleisli范畴 |
| 3.2.1 预备知识 |
| 3.2.2 范畴C(T)与Kleisli范畴 |
| 3.3 L-fuzzy左R-模范畴中的极限和余极限 |
| 3.3.1 预备知识 |
| 3.3.2 L-fuzzy左R-模的极限及伴随性 |
| 3.3.3 L-fuzzy左R-模的余极限及伴随性 |
| 3.4 L-fuzzy左R-模范畴中的L-ext函子 |
| 3.4.1 预备知识 |
| 3.4.2 函子L-ext和函子L-Ext |
| 第4章 L-值范畴在Novikov代数中的应用 |
| 4.1 左对称代数与Novikov代数的L-fuzzy子代数 |
| 4.1.1 预备知识 |
| 4.1.2 几类左对称代数和Novikov代数的L-fuzzy子代数结构 |
| 4.2 Novikov代数的L-fuzzy理想和子代数 |
| 4.2.1 预备知识 |
| 4.2.2 Novikov代数的L-fuzzy理想和子代数 |
| 4.2.3 Novikov代数的L-fuzzy理想的同态和商 |
| 结语 |
| 参考文献 |
| 致谢 |
| 在学期间公开发表论文情况 |
（10）基于模糊规则的图像深度特征学习（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 图像特征学习研究现状 |
| 1.2.2 模糊系统研究现状 |
| 1.3 本文主要研究内容 |
| 1.4 本文的组织结构 |
| 第二章 经典模糊系统及卷积神经网络概述 |
| 2.1 经典TSK模糊系统 |
| 2.2 卷积神经网络相关知识介绍 |
| 第三章 TSK-FS图像特征学习模型 |
| 3.1 多输出TSK模糊系统 |
| 3.2 TSK-FS图像特征学习模型 |
| 3.2.1 块向量化 |
| 3.2.2 隐空间特征生成 |
| 3.2.3 隐空间特征学习 |
| 3.3 可解释性分析 |
| 第四章 基于模糊规则的图像深度特征学习 |
| 4.1 引言 |
| 4.2 第一层TSK-FS图像特征学习 |
| 4.2.1 主成分分析简介 |
| 4.2.2 基于主成分分析优化方法的隐空间特征学习 |
| 4.3 第s层 TSK-FS图像特征学习 |
| 4.4 特征输出层 |
| 4.4.1 权重二值化 |
| 4.4.2 分块直方图 |
| 4.5 实验与分析 |
| 4.5.1 小规模数据集实验 |
| 4.5.2 较大规模数据集实验 |
| 4.5.3 有效性分析 |
| 4.5.4 参数敏感性分析 |
| 第五章 基于模糊规则的多粒度融合图像特征学习 |
| 5.1 引言 |
| 5.2 多粒度扫描 |
| 5.3 TSK-FS图像特征学习模块 |
| 5.3.1 线性判别分析简介 |
| 5.3.2 基于线性判别分析优化方法的隐空间特征学习 |
| 5.4 特征输出模块 |
| 5.4.1 权重二值化 |
| 5.4.2 分块直方图 |
| 5.5 算法描述与计算复杂度分析 |
| 5.5.1 算法描述 |
| 5.5.2 计算复杂度分析 |
| 5.6 实验与分析 |
| 5.6.1 数据集及实验平台 |
| 5.6.2 实验设置 |
| 5.6.3 实验结果分析 |
| 5.6.4 模型分析 |
| 5.6.5 参数敏感性分析 |
| 主要结论与展望 |
| 主要结论 |
| 展望 |
| 致谢 |
| 参考文献 |
| 附录 :作者在攻读硕士学位期间发表的论文 |
四、Fuzzy线性映射（论文参考文献）
- [1]基于模糊系统的异构迁移学习算法研究[D]. 孙武. 江南大学, 2021(01)
- [2]云存储中可搜索加密技术的研究[D]. 黄丕荣. 广西大学, 2021(12)
- [3]云环境下支持访问控制的安全密文模糊检索方案研究[D]. 袁鸿. 广西大学, 2020(07)
- [4]矿浆管道输送系统的隔膜泵单向阀故障诊断研究[D]. 周成江. 昆明理工大学, 2020
- [5]基于脑电的听觉注意解码与情绪识别的认知计算研究[D]. 陆云. 哈尔滨工业大学, 2020(01)
- [6]Hopfield神经网络的多稳定性和稳定周期解的脉冲控制问题研究[D]. 万鹏. 重庆大学, 2020
- [7]I-fuzzy拓扑线性空间中若干问题研究[D]. 李慧. 内蒙古师范大学, 2020(08)
- [8]模糊不定拓扑线性空间和不分明化sp-拓扑空间的若干问题研究[D]. 孟丽媛. 内蒙古师范大学, 2020(07)
- [9]Novikov代数和L-值范畴及其应用[D]. 周鑫. 东北师范大学, 2020(01)
- [10]基于模糊规则的图像深度特征学习[D]. 马翔. 江南大学, 2020(01)