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.

模糊形态双向联想记忆网络的研究

提出了一种新型的模糊形态双向联想记忆网络FMBAM,证明了FMBAM在双向联想中能够保证记忆在一步之内完成,因此不存在收敛问题,并实现完全双向正确联想,且可模糊性解释,同时表明了FMBAM具有优越的抗腐蚀或膨胀噪声的能力,仿真实验验证了双向联想FMBAM具有良好的性能。

形态双向联想记忆网络的摄动鲁棒性研究

针对训练模式对的小幅摄动可能会对神经网络的输出产生副作用的问题,该文研究了形态双向联想记忆(MBAM)网络和模糊形态双向联想记忆(FMBAM)网络训练模式对的摄动鲁棒性。比较了训练模式对摄动前后2种网络输出范围的变化,理论证明了MBAM和FMBAM 2种网络的摄动鲁棒性。理论和仿真实例表明:MBAM网络对训练模式对的摄动全局拥有好的鲁棒性,其训练模式对的选取可以适度粗糙;而FMBAM网络对训练模式对的摄动不具有好的鲁棒性,则其训练模式对的选取精度要求较高。

复值多状态双向联想记忆神经网络

离散但非二值状态将提供一种更好的信息表达方式．本论文中，我们将复符号操作子（ｃｏｍｐｌｅｘｓｉｇｎｕｍｏｐｅｒａｔｉｏｎ）和双向联想记忆（ＢｉｄｉｒｅｃｔｉｏｎａｌＡｓｏｃｉａｔｉｖｅＭｅｍｏｒｙ，ＢＡＭ）结合起来并提出了一种非二值ＢＡＭ，即复值多状态双向联想记忆神经网络（ＣｏｍｐｌｅｘＶａｌｕｅｄＭｕｌｔｉｓｔａｔｅＢｉｄｉｒｅｃｔｉｏｎａｌＡｓｏｃｉａｔｉｖｅＭｅｍｏｒｙ，ＣＶＭＢＡＭ）．在我们提出的编码体系下，证明了此复值多状态双向联想记忆神经网络是稳定的，无论其连接权矩阵如何．

利用动态核的形态联想记忆网络的研究

在文献[1]的基础上,提出了一个基于动态核的形态联想记忆网络方法,特点是同一幅图像,如果其所含的噪声情况不同,则其核也将不同,从而较好地解决了图像含有随机噪声时的联想记忆问题。实验证明,此方法具有良好的性能,双向联想记忆的准确率优于文献[1]中介绍的方法。

复形态联想记忆及其性能分析

在Ritter的实域形态联想记忆(real morphological associative memory,简称RMAM)模型的基础上,通过在复数域中序关系的引入构成复数格和环,导出了在复数域上与RMAM相一致的联想规则,构建了一类复域MAM(complex MAM,简称CMAM),从而将RMAM从实域推广至复域,使其可直接处理复信号(如经FFT(fast Fourier Transformation)变换所得数据).证明了该模型的收敛性,分析了其纠错能力和存储能力,并获得了与RMAM相一致的一系列定理和性质.此外,还比较了复形态网络和其他网络(如Hopfield神经网络)的异同.计算机仿真结果表明了CMAM的可行性.

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。

神经元网络在故障诊断中的双向联想记忆法

本文介绍了神经元网络用于控制系统故障诊断的双向联想记忆法.该方法是根据神经元网络的特点和功能以及控制系统故障诊断的要求而提出.文中首先介绍了双向联想记忆的模型和算法,然后给出一个简单的应用例子.

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。

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。

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。

连续双向联想记忆网络局部指数稳定的充要条件

本文得到了连续双向联想记忆神经网络平衡点局部指数稳定的充要条件及平衡点指数吸引域的估计．所得结论对连续ＢＡＭ神经网络的设计及应用都很有意义．

模糊形态联想记忆网络及其在细胞图像联想识别中的应用

研究了模糊形态双向联想记忆网络(FMBAM)在灰度图像处理中的方法,并利用核的形式来解决灰度图像含随机噪声的正确联想记忆及识别问题,提出了构造灰度图像的核需要满足的条件,给出了寻找核的方法和途径,并应用于细胞图像的联想和识别,通过仿真实验,验证了该方法的有效性和良好性能。

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。

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。

内连式复值双向联想记忆模型及性能分析

Lee的复域多值双向联想记忆模型(complex domain bidirectional associative memory,简称CDBAM)不仅将Kosko的实域BAM(bidirectional associative memory)推广至复域,而且推广至多值情形,以利于多值模式(如灰级图像等)间的联想.在此基础上,提出了一个新的推广模型:复域内连式多值双向联想记忆模型(intraconnected CDBAM,简称ICDBAM),通过定义的能量函数证明了它在同步与异步更新方式下的稳定性,从而保证所有训练样本对成为其稳定点,克服了CDBAM所存在的补码问题.计算机模拟证明了该模型比CDBAM具有更高的存储容量和更好的纠错性能.