一种基于MRⅡ算法的三层二值双向联想记忆网络

传统的两层二值双向联想记忆(BAM)网络因其结构的限制存在着存储容量有限、区分小差别模式和存储非正交模式能力不足的缺陷,结构上将其扩展至三层网络是一个有效的解决思路,但是三层二值BAM网络的学习是一个难题,而三层连续型BAM网络又存在处理二值问题不方便的问题。为了解决这些问题,提出一种三层结构的二值双向联想记忆网络,创新之处是采用了二值多层前向网络的MRⅡ算法实现了三层二值BAM网络的学习。实验结果表明,基于MRⅡ算法的三层二值BAM网络极大地提高了网络的存储容量和模式区分能力,同时保留了二值网络特定的优势,具有较高的理论与实用价值。

基于三角模的模糊双向联想记忆网络的性质研究

基于模糊取大算子和三角模T的模糊合成,构建了一类模糊双向自联想记忆网络Max-T FBAM。利用三角模T的伴随蕴涵算子,为这类Max-TFBAM提出了学习算法,并理论上证明了该学习算法确定的连接权矩阵是网络最大的连接权矩阵。对任意输入能使Max-T FBAM迭代一步内就进入稳定态,该类网络具有全局稳定性和可靠的存储能力。当三角模T满足利普希兹条件时,采用上述学习算法时自联想Max-T FBAM对训练模式的摄动全局拥有好的鲁棒性。最后用实验证实了理论研究,也为图像的可靠存储提供了参考。

基于Lukasiewiczt-模的模糊双向联想记忆网络的有效学习算法

利用t-模的伴随蕴涵算子,为基于Max和TL合成的模糊双向联想记忆网络Max-TLFBAM提供了一种新的学习算法,此处TL是Lukasiewiczt-模算子。从理论上严格证明了,只要存在有连接权矩阵对使得任意给定的模式对集成为Max-TLFBAM的平衡态集,则依该学习算法所确定的连接权矩阵对是所有这样的连接权矩阵对中的最大者。并用实验验证该学习算法的有效性。

模糊双向联想记忆网络的有效学习算法

基于模糊取大运算和爱因斯坦s-模提出新的模糊双向联想记忆网络模型(Max-Ses FBAM),并为该网络提出了一种新的学习算法。在理论上严格证明了,任意给定的模式对集,只要存在有连接权矩阵对使其为Max-Ses FBAM的平衡态集,则依该学习算法所确定的连接权矩阵对(,)是所有这样的连接权矩阵对中的最大者;且该最大连接权矩阵对能使Max-SesFBAM对任意输入在一步内就进入平衡态。

一种模糊双向联想记忆网络的性质研究

基于已经提出的Lukasiewicz t-模算子的模糊双向联想记忆网络(FBAM)的学习算法,进一步研究该网络的性质。在理论上证明了只要存在使给定的模式对集合能成为FMBAM的平衡态集合,则该连接权矩阵对能使FMBAM对任意输入全局收敛到平衡态。当训练模式存在摄动时,利用该学习算法训练的FBAM,对训练模式摄动拥有好的鲁棒性。

模糊形态学双向联想记忆网络的性质

为模糊形态学双向联想记忆网络(FMBAM)提出一个学习算法.在理论上证明只要存在使给定的模式对集合成为FMBAM的平衡态集合,则该学习算法总能计算出相应的最大连接权矩阵对.该最大连接权矩阵对能使FMBAM对任意输入在一步内就进入平衡态,并且神经网络全局收敛到平衡态.FMBAM的每个平衡态都是Lya-punov稳定的.当训练模式存在摄动时,利用该学习算法训练的FMBAM,对训练模式摄动拥有好的鲁棒性.

复形态双向联想记忆网络及其性能分析

基于复数环(C,∨,∧,+)提出了复形态双向联想记忆网络模型,给出了神经网络实现双向完全联想记忆的条件,并分析了自联想的存储能力、稳定性和收敛性及神经网络的抗噪声能力.当复数虚部取零时即为实数,实数域形态双向联想记忆网络就是复数域形态双向联想记忆网络的特例.最后通过仿真实验验证复形态双向联想记忆网络的有效性.

带有阈值的广义模糊双向联想记忆网络的稳定性分析

基于模糊取大算子"∨"和一类t-模"T"建立了带有阈值的∨-T型模糊双向联想记忆网络,证明了当T满足李普希兹条件时,系统的平衡点是Lyapunov稳定的,并给出系统为结构稳定的一个充分条件。最后用实例验证了结论的正确性。

一类模糊双向联想记忆网络极限环的最大长度

讨论了一类模糊双向联想记忆网络极限环的最大长度.首先,A是强连通布尔矩阵时,极限环的最大长度是A的周期指数per(A);其次,A具有形式(☆)时,若gcd(per(A1),per(A2))=1,则极限环的最大长度为max(per(A1),per(A2));若gcd(per(A1),per(A2))≥2,则其最大长度为lcm(per(A1),per(A2));最后对其进行推广.

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。

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。

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.

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.

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.

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。

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。

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.

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.

具有时滞的双向联想记忆神经网络的稳定性分析

研究一类具有时滞的变系数双向联想记忆神经网络(BAM)的稳定性问题.由于时滞变系数双向联想记忆神经网络的平衡点不一定存在,分平衡点存在和不存在两种情况进行研究.在BAM神经网络系统存在平衡点时,通过构造Lyapunov函数,结合不等式分析技巧,给出了系统指数稳定的充分条件;在BAM神经网络系统不存在平衡点时,利用数学归纳法给出了系统的吸引域.

具有时滞的双向联想记忆神经网络的指数稳定性和周期解的存在性

通过构造 L yapunov泛函和运用不等式分析技巧 ,得到了判断一类时滞双向联想记忆神经网络平衡点的指数稳定性和周期解的存在性的充分条件 。