基于概率的MAM记忆性能模型

针对即使输入模式无噪声,形态学联想记忆在用于异联想时仍不能保证完全回忆的问题,借助概率学知识,提出一个概率模型来刻画形态学联想记忆网络的记忆性能。该概率模型能从整体上正确地反映网络的输入端维数、输出端维数以及模式对的数目对形态学联想记忆的记忆性能的影响趋势,对进一步研究与改进形态学联想记忆,有一定的指导意义。

形态学联想记忆在图像联想识别上的应用

形态学神经网络是一类新颖的人工神经网络,但人们对它的研究,尤其是对于形态学异联想记忆的研究和应用,仍很不够.给出了形态学异联想记忆理论应用于图像的联想识别上的一般方法和步骤,并通过一个字符图像联想识别的实例,叙述了其应用原理与过程,对于推进形态学异联想记忆的应用研究将带来有益的参考.

形态学联想记忆的研究综述

通过提炼出来的一个形态学联想记忆的研究框架,可以很清晰地概括出形态学联想记忆的研究成果,从而可以很合理地归纳出形态学联想记忆仍存在的问题以及今后的发展方向。此形态学联想记忆的研究框架对形态学联想记忆的进一步研究具有一定的指导意义。

形态学联想记忆网络的研究进展

形态学联想记忆网络具有无限存储能力、一步回忆记忆、良好地抵抗腐蚀噪声或者膨胀噪声的噪声容限等许多优点。从形态学联想记忆的概念、基本原理、发展脉络、研究新成果、发展趋势和研究方向等多个方面综述了形态学联想记忆网络的研究进展。对形态学联想记忆方面的研究带来了一定的参考价值。

形态学联想记忆存储性能的研究

形态学联想记忆(Morphological Associative Memories,MAM)的存储性能是衡量形态学联想记忆能力大小的重要指标。然而,迄今为止,对形态学联想记忆的存储性能,主要是对异联想形态学联想记忆(hetero-MAM)的存储性能的定量分析和定性刻画并未完成。这是一个悬而未决的理论问题,也是一个MAM应用的实际问题。针对这一问题开展研究,站在概率论的角度,提出一个MAM存储性能的概率模型,并进行了证明。通过定量分析和定性讨论,取得一致结论。研究和分析表明,het-ero-MAM的存储性能受到输入模式向量维数n、输出模式向量维数m、以及输入、输出模式对数目K的影响,且三者的影响程度不同。提出的概率模型,对形态学联想记忆的研究、分析、设计和应用,具有一定的启发和帮助。

一种新的形态学联想记忆网络模型研究

针对即使在输入模式无噪声,形态学联想记忆在用于异联想时仍不能保证完全回忆的问题,从扩大记忆矩阵的存储空间的角度入手,提出一种新的形态学联想记忆模型——三维存储矩阵的形态学联想记忆来刻画MAM(Morphological Associative Memories)的记忆性能。该模型能够弥补传统形态学联想记忆的记忆矩阵的不足,解决MAM在异联想时不能保证对模式对集实现完全回忆的问题。详细阐述了构建三维存储矩阵的原理与步骤,并通过实例验证三维存储矩阵的形态学联想记忆的记忆性能远远优于传统的形态学联想记忆。