基于离散双向联想记忆神经网络的多元通信系统

针对噪声导致非线性数字通信系统传输信号的差错概率增加的问题,提出一种基于离散双向联想记忆(BAM)神经网络的多元通信系统。首先,根据需要传输的信号,选取适当的神经元数量和记忆向量,计算权值矩阵,并生成BAM神经网络;然后将多元信号映射为具有调制幅度的初始输入向量并不断输入系统,通过神经网络进行循环迭代,并向各神经元添加高斯噪声,之后按照码元间隔采样输出并在无损信道中传输,接收端依据判决规则译码判决;最后在图像处理领域,利用所提系统传输图像压缩后的数据并解码恢复图像。仿真结果表明,对于码元间隔较大的弱调制信号,随着噪声强度的增加,差错概率先减后增,随机共振现象比较明显;差错概率还与信号的进制数呈正相关关系,与信号幅度、码元间隔和神经元个数呈负相关关系,某些条件下,差错概率可以达到0。以上结果表明BAM神经网络可以通过噪声改善数字通信系统的可靠性。另外,解码恢复图像的相似度显示了适量噪声对图像恢复效果的改善,扩展了BAM神经网络和随机共振在图像压缩编码中的应用。

具有时滞的双向联想记忆(BAM)的神经网络的全局动力学行为

在没有假定关联函数的光滑性,单调性和有界性的条件下,应用Liapunov泛函方法和矩阵代数技术,得到具有常数传输时滞的双向联想记忆(BAM)的神经网络模型平衡点存在性和全局指数稳定性的一些新的充分条件,这些条件可以由网络参数,连接矩阵和关联函数的Lipschitz常数所表示的M矩阵来刻化· 这些结果不仅是简单和实用的。

四元数双向联想记忆神经网络的固定时间控制

将双向联想记忆(bidirectional associative memory,BAM)神经网络扩展到四元数域,提出了一类新的四元数双向联想记忆神经网络(quaternion-valued bidirectional associative memory neural networks,QVBAMNNs)。通过对四元数的分解并运用微分包含理论,将原始的四元数值系统转化为等价的实值系统,并利用Lyapunov方法研究了主从QVBAMNNs的固定时间同步问题。通过设计一个不连续状态反馈控制器,得到了保证QVBAMNNs达到固定时间同步的新准则。最后,通过数值仿真验证了所得结果的正确性。

双向联想记忆神经网络的全局指数稳定性

在研究双向联想记忆神经网络时,通常都假设输出响应函数是光滑的增函数,但实际应用中遇到的大多数函数都是非光滑函数。因此,本文将双向联想记忆神经网络的输出响应函数连续可微的假设削弱为满足Lipschitz条件,通过引入Lyapunov函数,利用不等式的方法,证明了双向联想记忆神经网络全局指数稳定性的一个定理。

双向联想记忆神经网络及其在肺癌患者分类判别中的应用

给出双向联想记忆 (BAM)神经网络的基本原理。在此基础上 ,根据血清中微量元素的含量 ,将双向联想记忆神经网络用于正常人与肺癌患者的分类判别。实验结果表明 :用独立预测样本作检验 ,在本工作所选定的条件下 ,可以达到 10 0 %的正确识别率。并讨论了双向联想记忆神经网络的影响因素。

双向联想记忆神经网络的一种编码策略

本文提出一种双向联想记忆神经网络的按‘位’加权编码策略，并给出了求取权值的速推算法．它将Ｋｏｓｋｏ双向联想记忆神经网络按海明距离进行模式匹配的原则，修正为按加权海明距离进行模式匹配，从而可以使得对不满足连续性的所谓“病态结构”的一类样本模式集，同样具有良好的联想能力．对二值图象模式存贮、联想的计算机模拟实验表明，此方法具有优良的性能和实用价值．

具有轴突信号传输延迟的双向联想记忆神经网络

双向联想记忆模型是两层异联想网络,本文重点讨论了具有轴突信号传输延迟的双向联想记忆神经网络平衡点存在的条件以及全局稳定性.并用具体例子验证了结论的正确性。本文所讨论的方法具有普遍性,所得到的结果对于网络的设计和应用具有重要的指导意义。

时滞杂交双向联想记忆神经网络的全局指数稳定性

在近十几年里 ,已提出了一类与双向联想记忆相联系的神经网络模型 ,这些模型推广了单层自联想Hebbian相关器为两层异联想模式匹配器 ,因而 ,这类网络在模式识别、信号与图像处理等领域中有广阔的应用前景 研究了带离散时滞杂交双向联想记忆神经网络的收敛特性 ,利用Halanay型不等式获得了网络全局指数稳定性的充分条件 ,所得结果是与时滞无关的 ;已证明利用Halanay型不等式获得的结果改进了由Lyapunov方法获得的结果 ,而且获得的结果容易判定 。

时变时滞双向联想记忆神经网络的鲁棒稳定性

通过构造适当的Lyapunov泛函分析了一类时变时滞双向联想记忆神经网络的平衡点稳定性问题。不要求激励函数的单调性和可微性,得到了保证时变时滞双向联想记忆神经网络的平衡点全局鲁棒渐近稳定的两个新判据。所得到的结果能够表示成线性矩阵不等式形式,进而易于用内点算法等方法来验证。通过仿真例子与其他文献中的一些结果进行比较,表明了本文所得结果的有效性。

不确定双向联想记忆神经网络的稳定性分析

对双向联想记忆神经网络研究了平衡点的鲁棒稳定性.该网络的参数不确定,并且有时变时滞.当神经网络的激励函数满足Lipschitz连续性条件时.通过选取合适的Lyapunov-Krasovskii函数,建立了两个全局鲁棒稳定判据.由于这些判据考虑了神经元激励作用和抑制作用对网络的影响,他们和时变时滞的数值无关,并且易于使用内点算法进行检验.在注释中和已有的结果进行了对比.两个数值例子展示了所得结果的有效性.

含时滞和脉冲的双向联想记忆神经网络模型的全局鲁棒一致渐近稳定性分析

讨论了一类含时滞和脉冲的双向联想记忆神经网络模型的鲁棒渐近稳定性.通过构造恰当的Lyapunov泛函和使用线性矩阵不等式技巧,获得了该模型全局鲁棒一致渐近稳定的充分条件.通过2个例子说明了结论的有效性.

延迟双向联想记忆神经网络的周期振荡现象研究

带轴突信号传输延迟的双向联想记忆(BAM)神经网络是两层异联想网络,本文详细讨论带延迟BAM网络周期解的存在与唯一性,得到了一个充分条件;并用具体例子验证了所得结论的正确性。我们的结果对于具体的延迟BAM振荡神经电路的设计和应用具有重要的指导意义。

变时滞的双向联想记忆神经网络的全局指数稳定性

研究了具有变时滞的双向联想记忆神经网络模型,在非线性神经元激励函数是Lipschitz连续的条件下,借助于不等式的方法,得到了该系统的平衡点是全局吸引和全局指数稳定.

双向联想记忆神经网络的全局指数稳定性

研究了带连续时延杂交双向联想记忆神经网络的全局指数稳定性 ,通过构造适当的Lyapunov泛函获得了与时延无关的充分条件且保证网络指数收敛到惟一稳定的平衡点 ,在证明过程中 ,并不要求突轴联结权的对称性和激活函数的单凋性与可微性 ,因此论文所推导的结果更具一般性。

具有分布时滞的双向联想记忆神经网络稳定性分析(英文)

考虑分布时滞的双向联想记忆神经网络模型 。

离散Hopfield双向联想记忆神经网络的稳定性分析

首先将离散Ｈｏｐｆｉｅｌｄ 双向联想记忆神经网络转化成一个特殊的离散Ｈｏｐｆｉｅｌｄ 网络模型．在此基础上，对离散Ｈｏｐｆｉｅｌｄ 双向联想记忆神经网络的全局渐近稳定性和全局指数稳定性进行了新的分析．证明了神经网络连接权矩阵在给定的约束条件下有唯一的而且是渐近稳定的平衡点．利用Ｌｙａｐｕｎｏｖ 方程正对角解的存在性得到了几个判定平衡点为全局渐近稳定和全局指数稳定的充分条件．这些条件可以用于设计全局渐近稳定和全局指数稳定的神经网络．所做的分析扩展了以前的稳定性结果．

一种新型双向联想记忆神经网络

提出了一种新型双向联想记忆神经网络,此网络将两个相互关联的模式以模式对的形式存储在由N个连接构成的模式环中,记忆容量为22N数量级,完全消除了假模式对、能够全部或部分地回忆出与输入模式对具有最小Hamming距的被记忆的模式对,同时具有较高的记忆效率和可靠性。连接由“连接状态”和“禁止路径”组成,前者直接存储二进制模式对向量的分量,后者用于消除假模式;此神经网络具有正向联想、逆向联想和自联想方式,使得网络能更灵活有效地满足不同的回忆要求。

带有增强和变换因子的三层结构双向联想记忆神经网络

提出了一种带有增强和变换因子的三层结构的双向联想记忆神经网络。介绍了增强和变换因子的巧妙选取方法,此方法可使网络很好地适用于相关度很高的样本。但是网络容量的增加往往伴随着寄生稳态点的增加,为避免这种情况,在网络中引入三层结构,这种新的双向联想记忆神经网络能够确保任意相关的样本达到完美的双向联想记忆。仿真实验证明了该方法的优越性。

噪声环境中时滞双向联想记忆神经网络指数稳定

任何系统实际上都是在噪声环境中进行工作的.对处在噪声强度已知的噪声环境下双向联想记忆(BAM)神经网络,其平衡点具有指数渐近稳定性是网络进行异联想记忆的基础.构造一个适当的Lyapunov函数,应用It^o公式、M矩阵等工具讨论了在噪声环境下具有时滞的BAM神经网络概率1指数渐近稳定,得到了指数稳定的代数判据和两个推论,此判据只需验证仅由网络参数构成的矩阵是M矩阵即可,给网络设计带来方便.本文所得结果包括相关文献中确定性结果作为特例.

含时滞的双向联想记忆神经网络的全局吸引性和全局指数稳定性

本文研究了具有时滞的双向联想记忆神经网络模型,在非线性神经元激励函数是Lipschitz连续的条件下,通过构造适当的泛函,得到了该系统的平衡点是全局吸引和全局指数稳定.