异联想记忆模型的快速增强算法

本文通过增加网络的神经元,提出了异联想记忆神经网络模型的快速增强算法,它能存储任意给定的训练模式对集,即对于训练模式对的数目以及它们之间相关性的强弱没有限制.快速增强算法在X-域和Y-域增强的神经元个数分别至多为原先Y-域和X-域的神经元个数.快速增强算法设计出的网络连接权只取值1,0或-1,因而网络易于硬件电路实现和光学实现.计算机实验结果表明,与虚构增强算法相比,快速增强算法大大减少了网络的附加连接权.

基于极大极小准则的异联想记忆网络学习算法

提出了设计异联想记忆网络的极大极小准则，即设计出的连接权阵应使得网络最小的记忆模式对的吸引域达到最大．首先给出了一种快速学习算法，它设计出的网络连接权值只取１，０或－１；再进一步发展了一个启发性迭代学习算法，称为约束感知器优化学习算法，它以快速学习算法的结果作为连接权阵的迭代初值．计算机实验结果表明了所提学习算法的优越性．

一种组合式异联想记忆神经网络

提出了一种用于异联想记忆的人工神经网络模型—组合式异联想记忆神经网络，给出了相应的算法．计算机实验结果表明，该模型总连接权重数目较少，易于实现内外存交换，具有较好的应用前景．