42、热成像图像的认知解读与神经模糊系统应用

热成像图像的认知解读与神经模糊系统应用

1. 神经网络层结构

在神经网络中，存在多个关键的层结构，它们各自承担着不同的功能。
- 条件层 ：条件层中的神经元被称为输入 - 标签节点。每个输入 - 标签节点 $IL_{i,j}$ 表示来自输入层的第 $i$ 个语言节点的第 $j$ 个语言标签。这些输入 - 标签节点构成了模糊规则的前件，每个节点由一个梯形隶属函数 $\mu_{i,j}(x)$ 表示，该函数由四个参数 $(\alpha_{i,j}, \beta_{i,j}, \gamma_{i,j}, \delta_{i,j})$ 形成的模糊区间和一个质心 $v_{i,j}$ 描述，这个模糊区间被称为梯形模糊数。
- 规则库层 ：规则库层中的神经元被称为规则节点，每个规则节点 $R_k$ 代表一个模糊 if - then 规则。
- 后果层 ：后果层中的神经元被称为输出 - 标签节点，输出 - 标签节点 $OL_{m,l}$ 表示输出 $y_m$ 的第 $l$ 个语言标签。
- 输出语言层 ：输出语言层中的神经元被称为输出语言节点，输出语言节点 $O_m$ 表示输出 $y_m$ 的输出语言值。

2. FCMAC - AARS 架构

小脑模型关节控制（CMAC）的反向传播训练多层神经网络存在一些缺点，如收敛迭代次数多、计算量大、定制硬件成本高、误差表面存在相对极小值且无法进行成功的增量学习。而模糊小脑模型关节控制（FCMAC）架构采用了模糊逻辑推理方案，具有局部泛化、算法计算快速、增量训练、功