陈 鹏，赵建成，余肖生

(三峡大学 计算机与信息学院， 湖北 宜昌 443002)

解决稳定性-可塑性难题是ANN学习中的关键问题，尤其是当数据样本的数量随时间增加时，ANN模型必须以自主和增量的方式学习这些样本。为了解决稳定性-可塑性难题[1]，Simpson[2]提出了2种混合的ANN模型(Fuzzy Min-Max(FMMN)网络)，即模式分类的监督模型；模式聚类的无监督模型[3]。FMMN使用超盒模糊集在其网络结构中创建和存储知识，即作为隐藏节点，该网络已经得到了广泛的研究与应用，尤其是在分类任务上[2]。为了提升FMMN网络的性能，Mohammed等[4]提出了增强的模糊最小-最大神经网络(EFMMN)，该算法在解决超盒的重叠测试和收缩测试时都更加有效。为了避免在获胜超盒附近产生过多的小超盒，从而降低FMMN的网络复杂度，Mohammed等[5]提出了K最近邻超盒展开规则的改进的模糊最小最大神经网络，实验表明通过该网络可以有效地降低网络的复杂度。Nandedkar等[6-7]提出了通用反射模糊最小-最大神经网络(GRFMN)。 GRFMM将FMM聚类和分类算法以及人体反射机制的概念组合到一个通用框架中，以解决重叠问题。刘金海等[8]提出了一种基于数据质心的模糊最小最大神经网络分类方法，该方法能够根据实际数据的质心特征自适应地调节超盒隶属度，从而来提高分类的精准率。

为了使FMMN实现半监督的能力，Ngan等[9]提出了模糊最小最大神经网络中的半监督聚类。Liu等[10]提出了一种基于模糊最小最大神经网络的半监督分类方法(SS-FMM)。在SS-FMM中，对模糊最小最大网络进行了修改，以处理标记和未标记的数据。……