反馈型自联想记忆神经网络

自联想记忆神经网络具有类似于大脑的记忆和联想的特性 .在Hopfield网络的理论基础上 ,提出了一种反馈型的自联想记忆神经网络 .和Hopfield模型不同的是 ,这种神经网络增加了一个隐含层来扩大网络的存储容量 ,并采用局部相连的拓扑结构来代替全相连 ,从而减少了计算复杂度 .在网络的学习过程中 ,各神经元之间的权值按照学习规则不断地进行调整 ,使回忆后的输出结果更加接近期望输出 .

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 。

一种基于联想记忆神经网络的单训练样本人脸识别算法

通过在多值自联想记忆神经网络(MVAM)中引入大脑皮层中客观存在的"侧反馈"连接机制,提出了一种具有联机学习能力的基于侧反馈机制的多值自联想记忆模型(MVAM-LF),用于解决单训练样本人脸识别问题.与一般的人脸识别方法不同,本模型无需任何人工的几何特征提取工作.在部分FERET人脸数据库上的随机加噪和部分遮挡的识别实验表明,提出的MVAM-LF算法获得了比标准的eigenface和改进的(PC)2A算法更高的识别率,表现出了较强的鲁棒性.

动态反馈型神经网络的特性及其应用

对Hopfield型神经网络的特性及其应用作了较为详细的讨论 ,给出了相应的动力学特性以及在联想记忆和优化计算方面的应用 ,得到离散型网络的最大记忆容量以及与汉明距离的关系 ,对于连续型网络还给出了绝对稳定的充分必要条件 .

离散型Hopfield神经网络学习算法

为使得离散型Hopfield神经网络(DHNN)具备更强的联想记忆功能,基于替换函数f(x),权值求取采用提出的学习算法。通过设计比sgn更强约束能力的函数f(x),在满足sgn函数要求的同时连续可导,由于f(x)连续可导,可根据能量最低点网络状态不再发生变化的特性定义损失函数,用梯度下降算法来求解。使用Matlab编程验证效果,验证结果表明,该学习算法比传统的外积法、正交设计法具有更好的效果,对原始信息还原率提高了5%-11%。

中立型时变时滞BAM神经网络状态估计器的设计

基于Lyapunov-Krasovskii稳定性理论和积分等式的方法,给出闭环误差系统全局渐近稳定的时滞依赖充分条件,进一步得到状态估计器增益矩阵的表示方法,从而完成对中立型时变时滞BAM神经网络状态估计器的设计,通过仿真算例验证了所得结论的正确性和有效性。

一种指数型动态神经网络的定性分析

研究了由Ｔ，Ｄ．Ｃｈｉｕｃｈ和Ｒ．Ｍ．Ｇｏｏｄｍａｎ在１９８８年提出的指数型动态神经网络，给出了给定标准模式为该网络稳定点的一个简明的充分条件，并得到了这类稳定点的一步收敛半径。指出了在概率意义下系统不存在伪稳态。

连续反馈联想记忆的吸引域和指数收敛速度的估计

利用一些实分析技巧和Liapunov方法 ,重新估计了连续反馈联想记忆模式的吸引域及其中每一点趋向记忆模式的指数收敛速度 ,得到一些新的结果 。

连续反馈联想记忆的吸引域和指数收敛速度的估计及其应用

估计了连续反馈联想记忆模式的吸引域及其中每一点趋向记忆模式的指数收敛速度。这些结果可用于连续反馈联想记忆网络的容错性能评价以及综合过程。

多层反馈BP网联想记忆分析

多层反馈ＢＰ网络是一种非线性动力学系统。为了对多层反馈ＢＰ网络进行形式分析，作者采用了电路类比的方式得到了它的数学模型。根据反馈ＢＰ网络的数学模型证明了反馈ＢＰ网络联想记忆过程的稳定性及有关性质，为反馈ＢＰ网络的应用奠定了理论基础。

基于任意给定训练集的离散型Hopfield网学习算法

本文提出了一个离散型Ｈｏｐｆｉｅｌｄ网联想记忆学习算法，该算法增加了训练样本的维数，因而能存储任意给定的训练模式集．