基于云计算的模糊联想记忆网络研究
| 中文摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 第一章 引言 | 第8-14页 |
| ·模糊联想记忆网络的发展和现状 | 第8-9页 |
| ·云计算的发展现状 | 第9-10页 |
| ·研究背景和意义 | 第10-12页 |
| ·模糊神经网络 | 第10-12页 |
| ·算子研究的发展 | 第10-11页 |
| ·鲁棒性研究的发展 | 第11-12页 |
| ·基于云计算的模糊神经网络学习算法 | 第12页 |
| ·本文研究的主要内容 | 第12-13页 |
| ·论文内容的组织 | 第13-14页 |
| 第二章 云计算和Hadoop计算平台 | 第14-22页 |
| ·云计算 | 第14-17页 |
| ·云计算的概念 | 第14-15页 |
| ·云计算的特点 | 第15页 |
| ·云计算的种类 | 第15-17页 |
| ·云计算的实现机制 | 第17页 |
| ·Hadoop平台 | 第17-22页 |
| ·分布式文件系统HDFS | 第18-19页 |
| ·分布式处理MapReduce | 第19-21页 |
| ·分布式结构化数据表Hbase | 第21-22页 |
| 第三章 人工神经网络 | 第22-30页 |
| ·人工神经网络 | 第22-26页 |
| ·人工神经网络的概念 | 第22-23页 |
| ·人工神经网络的特点 | 第23-24页 |
| ·人工神经网络的功能 | 第24-25页 |
| ·人工神经网络的应用领域 | 第25-26页 |
| ·模糊神经网络 | 第26-30页 |
| ·模糊联想记忆网络的概念 | 第27页 |
| ·模糊算子 | 第27-28页 |
| ·三角模的定义 | 第27-28页 |
| ·爱因斯坦t-模 | 第28页 |
| ·Lukasiewicz t-模 | 第28页 |
| ·min算子 | 第28页 |
| ·模糊联想记忆网络的模型 | 第28-30页 |
| 第四章 模糊联想记忆网络学习算法 | 第30-39页 |
| ·爱因斯坦t-模的性质 | 第30-31页 |
| ·爱因斯坦t-模的自联想记忆网络有效算法 | 第31-33页 |
| ·学习算法的内容 | 第31页 |
| ·学习算法可以得到最大连接权矩阵对 | 第31-32页 |
| ·学习算法迭代一步后就进入平衡态 | 第32-33页 |
| ·基于爱因斯坦t-模的模糊联想记忆网络的有效算法 | 第33-35页 |
| ·有效学习算法的内容 | 第33-34页 |
| ·学习算法的性质 | 第34-35页 |
| ·模糊联想记忆网络的全局鲁棒性 | 第35-39页 |
| ·最大摄动 | 第35-36页 |
| ·模糊联想记忆网络的全局鲁棒性 | 第36-39页 |
| 第五章 基于Hadoop平台的模糊联想记忆算法 | 第39-42页 |
| ·基于爱因斯坦t-模的模糊联想记忆的并行算法 | 第39-41页 |
| ·求权值矩阵 | 第39页 |
| ·输入矩阵求输出 | 第39-40页 |
| ·流程合一 | 第40-41页 |
| ·模糊联想记忆的并行算法推广算法 | 第41-42页 |
| 第六章 实验与仿真 | 第42-53页 |
| ·模糊自联想记忆网络图片仿真 | 第42-44页 |
| ·实验步骤 | 第42页 |
| ·实验结果 | 第42-43页 |
| ·实验结论 | 第43-44页 |
| ·训练模式集最大摄动和输出模式集最大摄动的关系 | 第44-48页 |
| ·实验步骤 | 第44页 |
| ·实验结果 | 第44-48页 |
| ·实验结论 | 第48页 |
| ·Hadoop平台运行并行算法后的效率分析 | 第48-53页 |
| ·硬件环境 | 第48-49页 |
| ·实验环境配置 | 第49-50页 |
| ·软件环境 | 第50-51页 |
| ·实验结果 | 第51-53页 |
| 总结与展望 | 第53-54页 |
| 致谢 | 第54-55页 |
| 个人简历 | 第55-56页 |
| 在读期间已发表和录用的论文 | 第56-57页 |
| 参考文献 | 第57-59页 |
