目 录 1
第一章 人工智能与因素神经网络 5
1.1 有关智能问题的几点看法 5
1.1.1 什么是智能与智能系统 5
1.1.2完整智能系统的三要素 6
1.1.3完善智能系统的特征 8
1.2 智能工程研究的回顾与评述 10
1.2.1符号逻辑推理机制方法 11
1.2.2联接机制方法 13
1.3 智能工程研究发展的新动向 15
1.4 因素神经网络理论及其哲学基础 20
1.4.1 因素神经网络理论简介 20
1.4.2因素神经网络理论的哲学基础 21
1.4.3因素神经网络理论研究的方法 23
1.5 本书的结构编排 23
第二章 知识的因素表示理论 26
2.1 知识、智能及其数学描述 26
2.2.1事物、因素及因素状态 28
2.2 事物的因素分析 28
2.2.2因素间的关系与运算 32
2.2.3事物的层次结构与识别因素（开关因素） 34
2.2.4事物因素分析的一般步骤 36
2.3 因素空间及其初步性质 36
2.4 知识的因素表示 41
2.4.1 知识分类 41
2.4.2知识的因素表示模型 42
2.4.3概念的因素表示 44
2.4.4推理、判断的因素表示 49
2.4.5因素推理模式的真值流解释 50
2.5 知识因素表示的理论基础 52
2.5.1 因素状态空间之间的关系 52
2.5.2基于同一因素集上的知识表示 54
2.5.3基于不同因素集上的知识表示 57
5.3 i—SFN的电子实现 1 57
2.5.4 因素藤网上的知识表示 58
2.6 小结 60
第三章 因素神经网络 61
3.1 生物神经元及其微电子特性 61
5.4.1 基于区间的不确定性知识描述 1 63
3.2 因素神经元 64
3.2.1生物神经元存储信息与因素方法表现事物的一致性 64
3.2.2因素神经元 65
3.2.3关于因素神经元定义的几点讨论 67
3.2.4几种因素神经元及其几何意义 71
3.2.5几种知识神经元 72
3.3.1神经网络与知识因素藤网的拓扑对应 73
3.3 因素神经网络 73
3.3.2因素神经网络定义 80
3.3.3关于因素神经网络定义的讨论 81
3.4 因素神经网络的分类 83
3.5 小结 85
第四章 单一数值型因素神经网络 87
4.1 一类2-FNN性质及工程实现 87
4.1.1 一种二值FN定义 88
4.1.2 2—FN的电子实现 88
4.1.3一类2-FNN性质研究 96
4.1.4逻辑运算的2-FNN实现 102
4.2 一类μ—FNN的性质及实现 111
4.2.1一种连续值因素神经元定义及性质 112
4.2.2任意函数关系的μ－FNN可实现性 115
4.2.3μ—FNN的电子实现 117
4.2.4一类综合决策问题的μ-FNN实现 128
4.3 一类决断推理μ-FNN及稳定性 132
4.3.1一类数值型模糊逻辑的μ-FN实现 132
4.3.2数值决断型模糊推理的μ-FNN实现方法… 133
4.3.3μ－RFNN的动态分析 138
4.3.4推理μ-FNN的平衡态 140
4.3.5 μ-RFNN的稳定性 141
4.4 小结 144
第五章 集值型因素神经网络 146
5.1 集值型因素函数与集值逻辑 147
5.1.1扩展原理与区间数 147
5.1.2集值因素函数及其μ－积分模型 149
5.1.3集值逻辑 153
5.2 一类集值型因素神经元定义及性质 155
5.3.1 i-SFN与μ—FN的性能比较 157
5.3.2 i-SFN的电子实现 158
5.4 一类区间值不精确推理（ISAR）及其FNN实现 162
5.4.2组合命题逻辑的清晰度运算 165
5.4.3不确定性集值推理模型（ISAR） 165
5.4.4 ISAR的FNN实现 168
5.5 不确定性区间值推理网络的学习方法 171
5.6 小结 174
6.1 模糊值函数与模糊值逻辑 175
6.1.1扩展原理与模糊数 175
第六章 模糊值型因素神经网络 175
6.1.2模糊值函数 178
6.1.3模糊语言值逻辑 179
6.2 一种模糊语言值因素神经元 182
6.2.1模糊语言值因素神经元定义 182
6.2.2 1-FN的简单性质 183
6.3 1-FN的电子实现 184
6.3.1 1-FN的i-SFNN近似实现策略 184
6.3.2一种（∨,∧）型1-FN的电子实现 185
6.3.3 （∨,∧）型1-FN的功能分析 188
6.3.4 简短结论 193
6.4 一种动态知识推理网络 195
6.4.1模糊时序知识模型 195
6.4.2动态知识网络 198
6.5 1-KRFNN的模式匹配 200
6.5.1 模式匹配策略 200
6.5.2时序域的确定 201
6.5.3时序匹配 202
6.5.4 语义匹配 204
6.5.5推理方法 207
6.6 I-KRFNN的学习算法 208
6.7 I-KRFNN的运行机理 215
6.8 小结 223
第七章 因素神经网络的自动机性质 224
7.1 有限自动机和模糊自动机 224
7.1.1 有限自动机 224
7.1.2模糊自动机 226
7.2 2—FNN的自动机性质 228
7.2.12—FNN的自动机性质 228
7.2.2 2—FNN的有限自动机分析与实现 230
7.3 μ-FNN的自动机性质 234
7.3.1 μ-FNN的自动机性质分析 234
7.3.2 μ-FNN的自动机分析与实现 235
7.3.3模糊自动机的μ-FNN综合 239
7.4. 小结 245
第八章 因素神经网络的熵理论 247
8.1. 神经网络的动态行为与熵函数 247
8.1.1 2—FNN的熵函数 248
8.1.2μ—FNN的熵函数 250
8.2. 因素神经网络的能量函数与熵函数 253
8.3. 2—FNN的熵变规律 254
8.3.1 同步并行计算中的熵变规律 254
8.3.2异步串行计算中的熵变规律 255
8.4． μ-FNN的熵变规律 258
8.4.1 具有多种因素状态μ—FNN的熵变规律…… 258
8.4.2具有随机、模糊性的μ—FNN的熵变规律… 261
8.5． 小结 266
9.1． 模糊推理与神经网络 267
第九章 基于FNN的学习型模糊推理控制系统 267
9.2． 模糊控制系统及其分类 268
9.2.1模糊控制系统 268
9.2.2模糊控制系统的分类 272
9.3． 语义不定型模糊控制系统的FNN实现 275
9.3.1语义表达策略 275
9.3.2系统构成 275
9.3.3网络的样本学习 277
9.3.4语义变化对系统的影响 279
9.3.5系统的联想功能 280
9.3.6简短结论 281
9.4 关系不定型模糊控制系统的FNN实现 281
9.4.1关系不定型系统的特征 281
9.4.2关系不定型FNN控制系统的设计方法…… 283
9.4.3系统构成 286
9.4.4例1的FNN实现 286
9.5 小结 291
第十章 结束语 292
参考文献 296