一种新的联想记忆系统的学习收敛性(Ⅱ)

基于牛顿向前插公式的新的高阶联想记忆系统 (NFI AMS) ,可以用来实现任意阶多变量多项式函数的无误差逼近 ,证明了对于任意多变量连续函数均可通过一组与子区域个数相同的学习数据 ,NFI AMS的学习总是以任意精度收敛的。

关于一般存储器神经网络的学习收敛性研究

本文在一类称为一般存储器神经网络(General Memory Neural Network(GMNN))的统一框架下来研究学习收敛性。该一般模型类的结构由三部分组成:输入空间量化、存储器地址产生器、查表或某种组合输出。当产生的地址是固定有限的个数以及网络输出是线性求和时,可以证明GMNN能在最小平方误差意义下收敛。CMAC(Cerebellar Model Articulation Controller)、SLLUP(Single-Layer Lookup Perceptrons)是该类模型的典型代表。本文的意义在于为构造新的基于局部学习的神经网络模型提供理论指导,最后给出了这种构造的两个例子——SDM(Sparse Distributed Memory)和SLLUP的两个推广模型。

新的基于mass-assignment的模糊CMAC神经网络及其学习收敛性(英文)

基于 J.F.Baldwin等人提出的 mass- assignment理论 ,提出了新的基于 mass- assignment的模糊 CMAC神经网络 ,接着研究了其学习规则 .理论研究结果揭示出 ,此新模糊 CMAC是一个全局逼近器 ,并且具有学习收敛性 .故此新模糊 CMAC有非常重要的应用潜力 .

具有微分输出的神经网络New-CMAC及其学习收敛性(英文)

基于传统的 CMAC神经网络和局部加权回归技术 ,提出了与传统 CMAC(cerebellar model articulation com-puter)有着同样存储空间量的改进的新 CMAC网络 New- CMAC,它具有传统的输出和具有其微分信息的输出 ,因而更适合于自动控制 .接着 ,又提出了其新的学习算法 ,并研究了其学习收敛性 .