声明
摘要
1 绪论
1.1 课题的研究背景及其意义
1.2 增量奇异值分解和增量学习模糊神经网络的研究现状
1.2.1 增量SVD研究现状
1.2.2 模糊神经网络概述
1.2.3 模糊神经网络增量学习研究现状
1.3 本文研究工作概述
1.4 本文的内容安排
2 无协方差增量奇异值分解
2.1 引言
2.2 奇异值分解SVD概述
2.3 增量奇异值分解
2.3.1 AAT第一个特征向量计算
2.3.2 求解特征值算法的直观解释
2.3.3 其他特征向量求解
2.3.4 特征值相等情况
2.4 增量奇异值分解及其算法总结
2.5 实验结果及分析
2.6 本章小结
3 免修剪的增量连续学习模糊神经网络
3.1 引言
3.2 PFISL-FNN结构
3.3 PFISL-FNN学习算法
3.3.1 规则产生标准
3.3.2 参数调整
3.3.3 完整的PFISL-FNN算法
3.4 实验结果与分析
3.4.1 实验1:Hermite函数逼近
3.4.2 实验2:非线性动态系统识别
3.4.3 实验3:Machey-Glass time时系预测
3.5 本章小结
4 优化修剪增量极速学习模糊神经网络
4.1 引言
4.2 ELM学习算法简介
4.2.1 具有RBF核的SLFNs一致逼近
4.2.2 RBF逼近问题
4.2.3 RBF标准最小二乘解
4.3 OPIEL-FNN算法描述
4.3.1 OPIEL-FNN模型
4.3.2 修剪ELM
4.4 实验结果与分析
4.4.1 实验1:非线性动态系统辨识
4.4.2 实验2:一个函数
4.4.3 实验3:时间序列预测
4.5 本章小结
5 基于规则影响的自适应增量学习模糊神经网络
5.1 引言
5.2 SAIL-FNN网络结构
5.3 SAIL-FNN算法
5.3.1 模糊规则影响
5.3.2 SAIL-FNN算法
5.4 实验结果与分析
5.4.1 Hermite函数逼近
5.5 本章小结
6 基于增量模糊神经网络和小波的人脸识别
6.1 引言
6.2 二维Harr小波变换
6.2.1 小波变换
6.2.2 使用小波变换做图像预处理
6.3 Fisher线性判别分析(FLD)
6.4 增量模糊神经网络分类器设计和图像识别
6.4.1 增量模糊神经网络分类器设计
6.4.2 图像识别过程描述
6.5 测试结果分析及结论
6.5.1 实验结果分析
6.5.2 结论
7 结束语
7.1 工作总结
7.2 工作展望
致谢
参考文献
附录